基于图神经网络的时间变化信号恢复

时间变化图信号的恢复是一个基础性问题，在传感器网络和时间序列预测中有众多应用。有效捕捉这些信号中的时空信息对于下游任务至关重要。先前的研究将此类图信号的时间差平滑性作为初始假设。然而，当该先验不成立时，这一平滑性假设可能导致相应应用中的性能退化。在这项工作中，我们通过引入一个学习模块放宽了该假设的要求。我们提出了一种用于时间变化图信号恢复的时序图神经网络（TimeGNN）。我们的算法采用编码器-解码器架构，其专用损失由均方误差函数和 Sobolev 平滑算子组成。TimeGNN 在真实数据集上展现出优于先前方法的竞争性性能。