基于跨城市知识迁移的时空图少样本学习
机器学习
2022-06-06 v2 人工智能
摘要
时空图学习是城市计算任务（如交通流、出租车需求和空气质量预测）的关键方法。由于数据收集成本高，一些发展中城市可用数据很少，导致难以训练出性能良好的模型。为应对这一挑战，跨城市知识迁移展现出其潜力，即利用从数据充足城市学到的模型来促进数据稀缺城市的学习过程。然而，不同城市间的时空图呈现不规则结构和多样化特征，这限制了现有少样本学习（Few-Shot Learning, FSL）方法的可行性。因此，我们提出一种名为 ST-GFSL 的模型无关时空图少样本学习框架。具体而言，为通过跨城市知识迁移增强特征提取，ST-GFSL 提出基于节点级元知识生成非共享参数。目标城市中的节点通过参数匹配从相似的时空特征中检索以迁移知识。此外，我们提出在元学习过程中重构图结构。图重构损失被定义用以引导结构感知学习，避免不同数据集间的结构偏差。我们在四个交通速度预测基准上进行了综合实验，结果表明与最先进的方法相比，ST-GFSL 具有有效性。
引用
@article{arxiv.2205.13947,
title = {Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer},
author = {Bin Lu and Xiaoying Gan and Weinan Zhang and Huaxiu Yao and Luoyi Fu and Xinbing Wang},
journal= {arXiv preprint arXiv:2205.13947},
year = {2022}
}
备注
Accepted to KDD2022