面向不规则数据的时间图神经网络
机器学习
2023-02-17 v1 机器学习
社会与信息网络
摘要
本文提出一种用于图结构不规则观测时间序列预测的时间图神经网络模型。我们的 TGNN4I 模型旨在处理不规则时间步和图的部分观测。这是通过在每个节点中引入时间连续潜状态来实现的，该状态遵循由门控循环单元（GRU）输出定义的线性常微分方程（ODE）。该 ODE 具有显式解，为指数衰减与周期动力学的组合。图中邻域的观测通过在与 GRU 状态更新和预测模型均集成图神经网络层来加以考虑。时间连续动力学还使模型能够在任意时间步进行预测。我们提出了一种利用此特性的损失函数，并允许训练模型以针对不同时间范围进行预测。在交通和气候建模的模拟数据与真实世界数据上的实验验证了图结构和时间连续动力学在不规则观测设置中的有用性。
引用
@article{arxiv.2302.08415,
title = {Temporal Graph Neural Networks for Irregular Data},
author = {Joel Oskarsson and Per Sidén and Fredrik Lindsten},
journal= {arXiv preprint arXiv:2302.08415},
year = {2023}
}
备注
17 pages, 4 figures. Accepted to AISTATS 2023. Code available at https://github.com/joeloskarsson/tgnn4i