时空图无学习

时空图广泛用于建模如交通预测、分子动力学和健康监测等复杂动态过程。最近，GDPR 和 CCPA 等严格隐私法规为现有时空图模型带来了显著挑战，要求对未经授权的数据进行完整无学习。由于时空图中每个节点在空间和时间维度上都对全局信息进行扩散，现有为静态图和局部数据删除设计的无学习方法无法高效地在几乎等同于完整模型再训练的成本下擦除单个节点。因此，有效的时空图完整无学习方法迫在眼睫。为此，我们提出了CallosumNet——一种受脑 Corpus callosum 结构启发的divide-and-conquer时空图无学习框架，后者促进了大脑两个半球之间的通信。CallosumNet 包含两种新技术：(1)增强子图构建(ESC)，基于包括生物学启发的虚拟ganglion在内的多个因素，自适应构建多个局部子图；(2)全局Ganglion桥接(GGB)，从这些局部子图重建全局时空依赖，有效恢复完整图表示。在四个多样化真实数据集上的实验结果表明，CallosumNet仅需相对MAE损失为1%-2%即可实现完整无学习，显著优于最先进的基线方法。消融研究验证了两种提出技术的有效性。