STRAP：面向分布外泛化的时空模式检索
机器学习
2025-10-14 v3 人工智能
摘要
时空图神经网络已成为跨多个领域对动态图结构数据进行建模的强大工具。然而，它们在时空分布外场景下往往无法泛化，其中时间动态和空间结构均演化超出训练分布。为解决此问题，我们提出了一种创新的时空检索增强模式学习框架 STRAP，通过将检索增强学习集成到 STGNN 持续学习流程中来增强模型泛化能力。STRAP 的核心是一个紧凑且富有表现力的模式库，存储了富含历史、结构和语义信息的代表性时空模式，该模式库在训练阶段获得并优化。在推理期间，STRAP 基于与当前输入的相似性从该库中检索相关模式，并通过即插即用的提示机制将其注入模型。这不仅增强了时空表示，还缓解了灾难性遗忘。此外，STRAP 引入了知识平衡目标，以协调新信息与检索到的知识。在多个真实世界流图数据集上的大量实验表明，STRAP 在 STOOD 任务上始终优于 state-of-the-art 的 STGNN 基线，证明了其在无需特定任务微调情况下的鲁棒性、适应性和强大的泛化能力。
引用
@article{arxiv.2505.19547,
title = {STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization},
author = {Haoyu Zhang and Wentao Zhang and Hao Miao and Xinke Jiang and Yuchen Fang and Yifan Zhang},
journal= {arXiv preprint arXiv:2505.19547},
year = {2025}
}
备注
This paper is accepted by NeurIPS 2025