面向迁移的时空图框架：一种用于一般化的剪枝策略
机器人学
2026-02-05 v1 人工智能
摘要
多变量时间序列在图结构领域中的预测是实际应用中的关键任务，但现有的时空模型常在数据稀缺和跨域迁移情境下表现下降。我们从结构感知的上下文选择视角出发，提出TL-GPSTGN—a 面向迁移的时空框架，通过有选择性地剪枝非优化图上下文来提升样本效率和跨域泛化能力。具体而言，我们的方法采用信息论和相关性基准，从中提取结构信息丰富的子图和特征， resulting in 一个紧凑且语义导向的表示。该优化后的上下文随后集成到时空卷积架构中，以捕捉复杂的多变量动力学。大规模交通基准测试的评估表明，TL-GPSTGN 在低数据迁移情境下 consistently 优于基线方法。我们的发现表明，显式的上下文剪枝是提高图基预测模型鲁棒性的强有力归因。
引用
@article{arxiv.2602.04152,
title = {MA3DSG: Multi-Agent 3D Scene Graph Generation for Large-Scale Indoor Environments},
author = {Yirum Kim and Jaewoo Kim and Ue-Hwan Kim},
journal= {arXiv preprint arXiv:2602.04152},
year = {2026}
}