基于 SPDE 的不可分时空图核方法
机器学习
2024-12-30 v3 机器学习
摘要
高斯过程（GPs）为图上的推断与学习提供了一种原则性且直接的方法。然而，缺乏用于时空建模的可靠图核阻碍了它们在图问题中的使用。我们利用随机偏微分方程（SPDEs）与图上 GPs 之间的显式联系，引入了一个通过 SPDEs 推导图核的框架，并推导出捕捉空间与时间交互的不可分时空图核。我们针对随机热方程和波动方程给出了图核形式。我们表明，通过为图上时空 GP 建模提供新工具，在具有扩散、振荡及其他复杂交互的真实世界应用中，我们的性能优于已有图核。
引用
@article{arxiv.2111.08524,
title = {Non-separable Spatio-temporal Graph Kernels via SPDEs},
author = {Alexander Nikitin and ST John and Arno Solin and Samuel Kaski},
journal= {arXiv preprint arXiv:2111.08524},
year = {2024}
}