​ICLR 2023 | GReTo:以同异配关系重新审视动态时空图聚合

54806f8de3defe7f215f63760e6286ac.gif

©PaperWeekly 原创 · 作者 | 周正阳

单位 | 中国科学技术大学

fb530f8d3a3b92180de5b269e8f7be20.png

论文简介

动态时空图数据结构在多种不同的学科中均普遍存在,如交通流、空气质量观测、社交网络等,这些观测往往会随着时间而变化,进而引发节点间关联的动态时变特性。本文的主要研究对象是动态时空图的回归任务,赋能交通、空气质量和气候预测。动态图学习中聚合偏离目标信息的邻居会导致图学习性能下降,因而我们重新审视了节点的邻居关系,通过对邻居关联进行分类并筛选有助于预测的有效信息进行聚合。

在本文中,我们借助图学习中的“同配性理论(homophily theory)”,提出了动态图“目标同配性度量方法”和“逐层重要性量化策略”,将同配性理论从静态图拓展至具有时空特性的动态图中。其中,目标同配理论捕获了目标状态与当前状态的差异性,通过构建有向符号以动态地、针对性地选择与目标一致的同配节点,即有效邻居实现节点级聚合;层重要性量化利用局部拓扑环境和目标感知度量不同传播层的有效信息量,以实现逐层有效传播。

本文在 ICLR 2023 评审过程中得分为 8,8,6,6,被接收为 Poster。

542ead51f58ed9295dad7f94e83d4064.png

论文标题:

GReTo: Remedying Dynamic Graph Topology-Task Discordance via Target Homophily

论文地址:

https://openreview.net/pdf?id=8duT3mi_5n

a07d363478017eea835ce400488af247.png

研究动机

拓扑-任务不一致性:现有的动态图回归任务往往使用图卷积神经网络(GCN),以物理连接或特征相似度构建邻接矩阵来进行节点级聚合。

如图 1 所示,以交通流量为例,节点 A 从 T 至 T+1 时间步发生了明显的流量增加,而此时在 T 步聚合大于其本身的节点 C/D/G 将是有效获得目标的策略,反之聚合其他节点则可能导致与任务目标相悖的结果,因而不是所有的(预定义)物理的拓扑均为有效,而当节点 A 在时序层面变化较大,则可能在 T 步直接聚合同配邻居也将失效。

因此,鉴于动态时空图具有节点关系多样性、动态性和时序演进关系,直接利用同配邻居或某一固定的拓扑结构进行消息传递会不可避免地导致某些时间步的聚合偏离回归目标,我们将这种现象称为拓扑-任务的不一致。因而在时空动态图中拓扑-任务不一致问题是推动动态图预测更精准的必经之路,同时将开拓动态图理论分析、动态图拓扑优化的新方法与新思路。

47f636fffb5f7aeb3d9526a20c9e51dc.png

▲ 图1 拓扑-任务不一致性示意图

这一问题的本质原因在于时空图所具有的本质时空异质性,这种异质性体现在不同的时间步、不同区域所具有的节点观测不尽相同,进而带来不同时间步的空间关联和时序依赖关系的不一致性。

在图学习理论中,同配性度量刻画了节点间的关系,其中,若有边相连的一对邻居节点具有相似观测或相同标签,那么这对邻居是一组同配成分,反之,若有边相连的一组邻居具有不同观测或不同的标签,那么其为一组异配成分,而时空动态图上往往同时存在同配和异配成分。

这种关联识别与解耦恰恰为我们的有效节点选择带来了潜在可能。然而,传统的同配性理论大多在静态图和分类任务中开展研究,很少在跨时间步、具有连续观测的动态图回归任务上进行研究,因此,我们认为基于同配理论实现个性化聚合仍然存在以下几个挑战:

1. 如何基于连续值确

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值