基于直接体积信息传递与特征增强的时空图学习
机器学习
2025-10-08 v2
摘要
数据驱动的物理系统学习引发了广泛关注，其中许多神经网络模型已被开发出来。特别是，基于网格的图神经网络(GNN)在任意几何域上建模时空动力学方面显示出巨大的潜力。然而，现有的GNN节点-边消息传递和聚合机制限制了表示学习能力。本文提出了双模块框架——细胞嵌入式和特征增强图神经网络(即CeFeGNN)，用于学习时空动力学。具体而言，我们将可学习的细胞属性嵌入到常规的节点-边消息传递过程中，从而更好地捕捉区域特征的空间依赖性。该策略本质上将局部聚合方案从一阶(例如从边到节点)升级为更高阶(例如从体积和边到节点)，充分利用消息传递中的体积信息。同时，设计了新颖的特征增强模块，以进一步提高模型性能并缓解过平滑问题。在各种偏微分方程系统和一个真实数据集上的大量实验表明，CeFeGNN相比其他基线方法表现出优越性能。
引用
@article{arxiv.2409.18013,
title = {Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement},
author = {Yuan Mi and Qi Wang and Xueqin Hu and Yike Guo and Ji-Rong Wen and Yang Liu and Hao Sun},
journal= {arXiv preprint arXiv:2409.18013},
year = {2025}
}