黎曼液态时空图网络
机器学习
2026-01-21 v1 人工智能
摘要
液态时间常数网络（Liquid Time-Constant networks，LTCs）是一种连续时间图神经网络，擅长对不规则采样的动力学进行建模，但根本上局限于欧几里得空间。当表示具有固有非欧结构（例如，层次结构和循环）的现实世界图时，这种局限性会引入显著的几何失真，降低表示质量。为了克服这一局限，我们提出了黎曼液态时空图网络（Riemannian Liquid Spatio-Temporal Graph Network，RLSTG），这是一个将连续时间液体动力学与黎曼流形的几何归纳偏置统一起来的框架。RLSTG 通过直接在弯曲流形上构建的常微分方程（Ordinary Differential Equation，ODE）来建模图的演化，使其能够忠实地捕捉结构静态和动态时空图的固有几何。此外，我们为 RLSTG 提供了严格的理论保证，将 LTC 的稳定性定理扩展到黎曼域，并通过状态轨迹分析量化其表达能力。在现实世界基准上的大量实验表明，通过将先进的时间动力学与黎曼空间表示相结合，RLSTG 在具有复杂结构的图上取得了优越的性能。项目页面：https://rlstg.github.io
引用
@article{arxiv.2601.14115,
title = {Riemannian Liquid Spatio-Temporal Graph Network},
author = {Liangsi Lu and Jingchao Wang and Zhaorong Dai and Hanqian Liu and Yang Shi},
journal= {arXiv preprint arXiv:2601.14115},
year = {2026}
}
备注
This paper has been accepted to The Web Conference 2026