时空元对比学习
机器学习
2023-10-30 v1
摘要
时空预测在众多现实应用中至关重要,包括交通预测和犯罪预测,旨在改善公共交通与安全管理。许多最先进的模型展示了时空图神经网络(STGNN)捕捉复杂时空相关性的强大能力。然而,尽管有效,现有方法未能充分应对若干关键挑战。数据质量问题,如数据稀缺与稀疏,导致数据噪声和缺乏监督信号,显著限制了STGNN的性能。尽管近期带对比学习的STGNN模型旨在应对这些挑战,其中多数使用预定义的增强策略,严重依赖人工设计且无法针对不同时空图(STG)场景定制。为应对这些挑战,我们提出一种新的时空对比学习(CL4ST)框架,通过STG增强范式编码鲁棒且可泛化的STG表示。具体而言,我们设计了元视图生成器,以数据驱动的方式为每个解耦的空间图和时间图自动构建节点与边增强视图。该元视图生成器采用带参数化生成模型的元网络为各输入定制增强。这为每个STG个性化了增强策略,并赋予学习框架时空感知信息。此外,我们将统一的时空图注意力网络与所提元视图生成器及双分支图对比学习范式相整合。大量实验表明,我们的CL4ST在交通与犯罪预测中相较多种最先进基线显著提升了性能。
引用
@article{arxiv.2310.17678,
title = {Spatio-Temporal Meta Contrastive Learning},
author = {Jiabin Tang and Lianghao Xia and Jie Hu and Chao Huang},
journal= {arXiv preprint arXiv:2310.17678},
year = {2023}
}
备注
32nd ACM International Conference on Information and Knowledge Management (CIKM' 23)