SpoT-Mamba：利用选择性状态空间学习时空图上的长程依赖
机器学习
2024-06-18 v1 人工智能
摘要
时空图预测是一项关键任务，在现实世界中有着广泛的应用，包括交通和天气预报。尽管最近提出了几种方法来建模时空图中的复杂动态，但解决长程时空依赖仍然是一个重大挑战，导致性能提升有限。受最近提出的名为Mamba的状态空间模型的启发，该模型在捕捉长程依赖方面表现出色，我们提出了一个新的时空图预测框架，名为SpoT-Mamba。SpoT-Mamba通过扫描各种节点特定的游走序列来生成节点嵌入。基于节点嵌入，它执行时间扫描以捕捉长程时空依赖。在真实世界交通预测数据集上的实验结果证明了SpoT-Mamba的有效性。
引用
@article{arxiv.2406.11244,
title = {SpoT-Mamba: Learning Long-Range Dependency on Spatio-Temporal Graphs with Selective State Spaces},
author = {Jinhyeok Choi and Heehyeon Kim and Minhyeong An and Joyce Jiyoung Whang},
journal= {arXiv preprint arXiv:2406.11244},
year = {2024}
}
备注
6 pages, 2 figures, 3 tables. Spatio-Temporal Reasoning and Learning (STRL) Workshop at the 33rd International Joint Conference on Artificial Intelligence (IJCAI 2024)