©PaperWeekly 原创 · 作者 | 西南交一枝花
单位 | 西南交通大学CCIT实验室
研究方向 | NLP、时空数据挖掘
想介绍此类相关的方法已有一段时间,最近整理论文工作,借此机会,分享一下。
引言
目前图神经网络在时空数据挖掘领域取得了突出表现,主要得力于捕获空间依赖能力的增强。一句话可以总结为:将时空任务中的空间依赖建模为图结构(如,在交通流预测任务中,将传感器视为图中节点,不同节点之间的路网连接关系视为图中边),然后基于图神经网络计算节点之间的空间关联表示,再通过捕获时序依赖(如,循环神经网络、膨胀卷积等),完成时空任务建模。目前,该任务的研究热点主要在图结构表示以及空间依赖捕获。
动机
图结构表示,如邻接矩阵,可以表示节点之间的相邻关系。在时空挖掘场景中,如交通流任务中可以通过路网拓扑表示传感器之间的相邻关系,可以通过欧氏距离度量;地铁交通流任务中可以通过地铁线路图表示站点之间的相邻关系。此类图结构表示可以看作是预定义图(Pre-defined graph)或者说固定图(Fixed graph),即通过先验知识定义的图结构或者说是既定图结构。
但是,在某些研究任务中没有预定的图结构,或者说此类预定义图结构无法完全表示节点之间的相邻关系。为解决上述问题,有学者提出自适应图结构学习,即构造一个参数化的邻接矩阵,在随机梯度优化过程中不断地调整邻接矩阵。
方法
本小节将着重介绍模型如何通过端到端方式学习邻接矩阵。目前常用的方法可以概括为:初始化的节点嵌入表示,通过<