关于时空神经网络中空间信息的引入
机器学习
2020-10-05 v2 机器学习
摘要
面对时空回归问题时，向模型输入任何可用的空间维度先验信息是合理的。例如，常基于空间邻近性、邻接性或相关性来定义神经网络架构。若空间信息不可用或引入模型代价过高，一种常见替代方案是将其作为模型的一个额外步骤来学习。尽管给定或习得的空间先验知识可能有益，本文通过对比空间无关神经网络与最先进模型，质疑该原则。我们的结果表明，在大多数情况下，典型地引入空间先验信息其实并非必要。为验证这一反直觉结果，我们在十个与可持续出行和空气质量相关的不同数据集上进行了充分实验，在具有公共健康与经济直接影响的实际问题上巩固了结论。
引用
@article{arxiv.2007.07559,
title = {On the Inclusion of Spatial Information for Spatio-Temporal Neural Networks},
author = {Rodrigo de Medrano and José L. Aznarte},
journal= {arXiv preprint arXiv:2007.07559},
year = {2020}
}
备注
12 pages, 9 figures