高效性与时空预测：因果图过程神经网络
机器学习
2024-05-30 v1
摘要
图神经网络(GNNs)通过利用由传感器(或其他测量方案)表示为图中节点之间的关系归因，推动了时空预测领域的发展。然而，当前方法常依赖循环神经网络(RNNs)，导致运行时间和内存使用增加。此外，这些方法通常仅在1跳邻域内工作，加剧了感受野的缩小。因果图过程(CGPs)提供了一种替代方案，使用图滤波器代替MLP层，以减少参数并最小化内存消耗。本文介绍了因果图过程神经网络(CGProNet)，这是一种结合CGPs和GNNs的非线性模型，用于时空预测。CGProNet采用更高阶的图滤波器，优化模型参数更少、降低内存使用并提高运行效率。我们提出了详尽的理论和实验稳定性分析，突出了CGProNet的关键方面。在合成数据和真实数据上的实验表明，CGProNet在保持具竞争力的预测性能的同时，显现出卓越的效率，最大限地减少了内存和时间要求。
引用
@article{arxiv.2405.18879,
title = {Spatiotemporal Forecasting Meets Efficiency: Causal Graph Process Neural Networks},
author = {Aref Einizade and Fragkiskos D. Malliaros and Jhony H. Giraldo},
journal= {arXiv preprint arXiv:2405.18879},
year = {2024}
}
备注
21 pages, 4 figures