从三篇经典论文看时空数据挖掘任务中的自适应图学习

©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<