论文笔记目录_region representation learning via mobility flow-CSDN博客

本文链接：https://blog.csdn.net/qq_40206371/article/details/119684648

1 交通预测

AAAI2019	交通预测论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》_UQI-LIUWJ的博客-CSDN博客	ASTGCN: 1）使用空间注意力机制来建模空间层面复杂的相关性 2）使用时间注意力机制来捕获不同时间之间的动态时间相关性 3）使用图卷积来捕获交通图中的空间特征；以及不同时间篇之间的依赖关系
IEEE Transactions on Intelligent Transportation Systems 2021	交通预测论文翻译：Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions_UQI-LIUWJ的博客-CSDN博客	综述性质论文，同时给出了一些公共数据集
IJCAI 2018	交通预测论文笔记：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecast_UQI-LIUWJ的博客-CSDN博客
ICLR 2022	论文笔记：COST: CONTRASTIVE LEARNING OF DISENTANGLEDSEASONAL-TREND REPRESENTATIONS FORTIME SERIES FOREC_UQI-LIUWJ的博客-CSDN博客	将时间序列解耦成趋势表征和周期表征，同时使用了对比学习
iclr 2017	论文笔记：DCRNN （Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting）_UQI-LIUWJ的博客-CSDN博客	使用双向扩散卷积+GRU，建模空间和时间依赖性

1.1 交通补全 imputation

TKDE 2021	论文笔记：Missing Value Imputation for Multi-view UrbanStatistical Data via Spatial Correlation Learning_UQI-LIUWJ的博客-CSDN博客	空间关联性的挖掘多维度属性关联性的问题时间信息的缺失设计了一种空间相关的多核 K 均值 (S-MKKM) 方法来识别多视图之间的潜在关系并捕获区域相似性。提出了一种自适应权重非负矩阵分解方法，以利用上面学到的信息来解决多视图缺失数据插补问题。此外，所提出的方法还考虑了单视图信息补全模型的特点，同时考虑了 KNN 策略来利用真实地理信息。
ICDE2019	论文笔记：Stochastic Weight Completion for Road Networks using Graph Convolutional Networks_UQI-LIUWJ的博客-CSDN博客	graph-autoencoder
NIPS 2016	论文笔记:Temporal Regularized Matrix Factorization forHigh-dimensional Time Series Prediction_UQI-LIUWJ的博客-CSDN博客 TRMF 辅助论文：最小二乘法复现TRMF_UQI-LIUWJ的博客-CSDN博客	提出了一个新的时间正则化矩阵分解框架(TRMF)用于高维时间序列分析。
ICDM 2017	论文笔记：Autoregressive Tensor Factorizationfor Spatio-temporal Predictions_UQI-LIUWJ的博客-CSDN博客	在TRMF的基础上，添加了空间自回归DAR的正则项
part-c 2019	论文笔记 Traffic Data Reconstruction via Adaptive Spatial-Temporal Correlations_UQI-LIUWJ的博客-CSDN博客 TAS-LR 论文辅助笔记 & 图拉普拉斯正则项推导_UQI-LIUWJ的博客-CSDN博客	MF+时间序列约束和自适应拉普拉斯正则化空间约束
2010 JMLR	论文笔记 Spectral Regularization Algorithms for Learning Large IncompleteMatrices （soft-impute）_UQI-LIUWJ的博客-CSDN博客	基于迭代SVD的矩阵补全（软阈值+硬阈值）对MF有很多理论的证明和说明（写论文的时候可以用来参考）
2019 ICDE	论文笔记：Hankel Matrix Factorization for Tagged Time Series to Recover Missing Values during Blackouts_UQI-LIUWJ的博客-CSDN博客	对于连续数据缺失的补全（单变量时间序列）
2021 TKDE	论文笔记：HKMF-T: Recover From Blackouts in TaggedTime Series With Hankel Matrix Factorization_UQI-LIUWJ的博客-CSDN博客	对于连续数据缺失的补全（延伸到多变量时间序列）
2019IJCAI	论文笔记：Matrix Completion in the Unit Hypercube via Structured Matrix Factorization_UQI-LIUWJ的博客-CSDN博客	EMF,SMF 用于 0~1的打分矩阵补全
2018NIPS	论文笔记： BRITS: Bidirectional Recurrent Imputation for Time Series_UQI-LIUWJ的博客-CSDN博客	双向LSTM进行补全&时间序列分类/回归
	论文笔记 & R 笔记：imputeTS: Time Series Missing ValueImputation in R_UQI-LIUWJ的博客-CSDN博客	R语言包，进行单变量时间序列补全
	论文笔记：Time Series Data Imputation: A Survey on Deep Learning Approaches_UQI-LIUWJ的博客-CSDN博客	20年（attention之前）的time series 补全论文综述
	论文笔记：NAOMI: Non-Autoregressive MultiresolutionSequence Imputation_UQI-LIUWJ的博客-CSDN博客	使用双向RNN+分治（对抗学习）的方式进行补全
	论文笔记：Spatial Data Imputation with Landmarks_UQI-LIUWJ的博客-CSDN博客	非负矩阵分解+拉普拉斯约束+landmark（landmark细节后续补充）
PVLDB 2020	论文笔记：Mind the Gap An Experimental Evaluation of Imputation ofMissing Values Techniques in TimeSeries_UQI-LIUWJ的博客-CSDN博客	12种方法的比较
2021	论文笔记：SAITS: SELF-ATTENTION-BASED IMPUTATION FOR TIMESERIES_UQI-LIUWJ的博客-CSDN博客	将self-attention运用到time-series中

1.2 next location recommendation

	论文阅读笔记：STAN: Spatio-Temporal Attention Network for Next Location Recommendation_UQI-LIUWJ的博客-CSDN博客	提出一种基于注意力机制的神经网络架构，考虑用户访问轨迹中每个访问点相较于整个过往访问轨迹的时空关系，以此对不相邻非连续但功能相近的访问点进行关联，打破以往仅仅关联连续、相邻访问点的限制。

1.3 time-series forecasting

ICLR 2020	论文笔记：N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FORINTERPRETABLE TIME SERIES FORECASTING_UQI-LIUWJ的博客-CSDN博客	利用深度学习解决单变量时间序列点预测问题提出了一种基于后向和前向残留链路和一个非常深的全连接层堆栈的深度神经结构。该模型具有可解释性
2017 facebook	论文笔记：Forecasting at Scale（Prophet）_UQI-LIUWJ的博客-CSDN博客	时间序列分解成趋势，季节性和特定节假日的影响这三类
2019 KDD	论文笔记： Modeling Extreme Events in Time Series Prediction_UQI-LIUWJ的博客-CSDN博客	使用记忆网络来记忆历史记录中的极端事件开发了一种新的损失函数，称为极值损失（EVL）【约束异常事件的分布】
2017 icml	机器学习笔记 soft-DTW（论文笔记 A differentiable loss function for time-series）_UQI-LIUWJ的博客-CSDN博客	soft-dtw，可微分版本的dtw PYTORCH 笔记 DILATE 代码解读_UQI-LIUWJ的博客-CSDN博客
2020 MDPI	论文笔记：Unsteady Multi-Element Time Series Analysis and Prediction Based on Spatial-Temporal Attention_UQI-LIUWJ的博客-CSDN博客	时空注意力机制
	论文笔记 A Spatial-Temporal Decomposition Based Deep Neural Network for TimeSeries Forecasting_UQI-LIUWJ的博客-CSDN博客	时空数据分解+ Conv LSTM
2022 IJCAI	论文笔记 Triformer: Triangular, Variable-Specific Attentions for Long SequenceMultivariate Time Series_UQI-LIUWJ的博客-CSDN博客	使用attention进行长期时间序列分解。通过patch attention，使得复杂度维O(n)
NIPS 2019	论文笔记 Enhancing the Locality and Breaking the MemoryBottleneck of Transformer on Time Series Forecas_UQI-LIUWJ的博客-CSDN博客	transformer 用于时间序列 1，使用因果卷积使得Q,K计算过程中可以看到一定的局部性 2，提出LogSparse Transformer，将空间复杂度降至 $O(L(logL)^2)$

1.5 region representation

论文笔记：Region Representation Learning via Mobility Flow_UQI-LIUWJ的博客-CSDN博客

2017 CIKM

使用了flow graph和spatial graph来学习region 向量表征

每一个点表示（地理空间上的点+时刻）

2 data ming

	Data Mining 论文翻译：Deep Learning for Spatio-Temporal Data Mining: A Survey_UQI-LIUWJ的博客-CSDN博客
1998 KDD	论文笔记：Integrating Classification and Association Rule Mining （CBA算法）_UQI-LIUWJ的博客-CSDN博客	生成类关联规则的完整集合，这个集合满足最小支持度以及最小置信度建立一个基于类关联规则的分类器

3 其他

	论文笔记：[ICLR 2020] Tips for prospective and early-stage PhD students_UQI-LIUWJ的博客-CSDN博客
	生物计算论文笔记1：The construction of next-generationmatrices for compartmentalepidemic models_UQI-LIUWJ的博客-CSDN博客	SEIR模型中基本再生数R0和下一世代矩阵NGM之间的关系
TPAMI 2007	论文笔记：Weighted Graph Cuts without Eigenvectors:A Multilevel Approach_UQI-LIUWJ的博客-CSDN博客	图中点聚类<——>kernel k-means
ICML 2008	论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）_UQI-LIUWJ的博客-CSDN博客 BPMF论文辅助笔记：固定U，更新θU 部分推导_UQI-LIUWJ的博客-CSDN博客 BPMF论文辅助笔记：采样Ui 部分推导_UQI-LIUWJ的博客-CSDN博客	在模型中使用了马尔可夫链蒙特卡罗(MCMC)方法进行近似推理为超参数引入先验，并在参数和超参数上最大化模型的对数后验，从而允许基于训练数据自动控制模型的复杂性。
NIPS2022	论文笔记：Honor of Kings Arena: an Environment forGeneralization in Competitive Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客	王者荣耀开悟平台
	机器学习笔记：聚类模糊聚类与模糊层次聚类（论文笔记 Fuzzy Agglomerative Clustering :ICAISC 2015）_UQI-LIUWJ的博客-CSDN博客	模糊聚类 + 分层聚类
	算法/论文笔记 Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm （2017）_UQI-LIUWJ的博客-CSDN博客	graph点cluster 算法
	论文笔记：A survey of deep nonnegative matrix factorization_UQI-LIUWJ的博客-CSDN博客	2022 DNMF综述
ICLR 2017	论文笔记：On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima_UQI-LIUWJ的博客-CSDN博客	大batch size会导致在测试集上泛化效果不行，原因在于大batch学到的local minima太sharp
	当分布非正态分布时，能否使用Pearson Correlation？_UQI-LIUWJ的博客-CSDN博客	大部分情况下，Pearson correlation是很robust的，除非数据很不正态分布，且数据量不足。论文中比较了12种处理方法，并提出建议

3.1 RL

KDD 2021	论文笔记 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客	使用GRU来求解未知疾病状态使用DQN来或者各区域重要性排序使用actor-critic来求解各区域口罩病床分配情况论文代码解读 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客
	论文笔记：STMARL: A Spatio-Temporal Multi-AgentReinforcement Learning Approach for Cooperative Traffic_UQI-LIUWJ的博客-CSDN博客	使用attention和LSTM进行空间和时间建模，然后对每个红绿灯分别进行强化学习，计算红绿灯控制方式
分层强化学习	论文笔记： Feudal Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客	用Q-table实现的最早的层次强化学习
	分层强化学习：基于选项（option）的强化学习/论文笔记 The Option-Critic Architecture 2017 AAAI_UQI-LIUWJ的博客-CSDN博客	两层决策，option可以视作一组action的时域抽象。上层策略现决定选择哪个option。然后option再选择执行哪些action，每个option有自己的策略函数和终止函数
	论文笔记：When Waiting Is Not an Option:Learning Options with a Deliberation Cost AAAI 2018_UQI-LIUWJ的博客-CSDN博客	在上一篇option-critic的基础上，认为切换option的时候是有开销的，不能很频繁地切换option
	论文笔记：Hierarchical Deep Reinforcement Learning:Integrating Temporal Abstraction and Intrinsic_UQI-LIUWJ的博客-CSDN博客	上层函数mata-controller根据state，从实现给定的目标集中选择一个目标传给底层函数controller，controller 根据状态s和目标g选择动作。 goal作为一个输入，所以不同的goal共享相同的Q函数
	论文笔记：FeUdal Networks for Hierarchical Reinforcement Learning_UQI-LIUWJ的博客-CSDN博客	也是上层制定goal，下层实现。不过和上一个H-DQN不同，这里并没有一个goal集合，这边学习的goal可以看成是一个direction，也就是状态S 变化的方向。如果下层学到的策略使得实际的状态按照goal的方向变化，那么reward会比较大
	论文笔记：Universal Value Function Approximators_UQI-LIUWJ的博客-CSDN博客	求解V(s,g)。由于(s,g)对很少，所以将s-g对组成的矩阵进行矩阵分解（行state，列goal）

GNN

2021ICML

论文笔记：E(n) Equivariant Graph Neural Networks_UQI-LIUWJ的博客-CSDN博客

在传统GNN的基础上，每个点不仅有标量信息，还有矢量信息，EGNN可以保证矢量经过EGNN之后平移、旋转、排列等变性

IJCAI

论文笔记：GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classific_UQI-LIUWJ的博客-CSDN博客

自适应邻接矩阵+STGCN+时空注意力，用于睡眠阶段分类

3 cv

	论文笔记：Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNe_UQI-LIUWJ的博客-CSDN博客	轨迹提取
	论文笔记：CTSpine1K: A Large-Scale Dataset for Spinal Vertebrae Segmentation in Computed Tomography_UQI-LIUWJ的博客-CSDN博客	一个大规模脊柱分割/识别的数据集
	论文笔记：nnU-Net: Self-adapting Frameworkfor U-Net-Based Medical Image Segmentation_UQI-LIUWJ的博客-CSDN博客论文笔记：nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation_UQI-LIUWJ的博客-CSDN博客	在经典U-Net的基础上，没有对模型架构进行修改，而是根据数据集自动进行数据预处理、模型架构参数选择、训练、inference等医学影像分割
cvpr2021	论文笔记： Masked Autoencoders Are Scalable Vision Learners_UQI-LIUWJ的博客-CSDN博客	类似于BERT的MLM
ICCV 2021 best paper	论文笔记：Swin Transformer: Hierarchical Vision Transformer using Shifted Windows_UQI-LIUWJ的博客-CSDN博客	基于窗口的transformer，具有多尺度信息，同时计算复杂度和图像的尺寸呈线性关系 pytorch 笔记： Swin-Transformer 代码_UQI-LIUWJ的博客-CSDN博客
CVPR 2021	论文笔记：Swin-Unet: Unet-like Pure Transformer for MedicalImage Segmentation_UQI-LIUWJ的博客-CSDN博客	swin transformer+u-net
	论文笔记 TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation_UQI-LIUWJ的博客-CSDN博客	CNN+transformer 作为 Unet的encoder，进行医学图像分割
2017 ImageNet冠军	论文/机器学习笔记：SENet （Squeeze-and-Excitation Networks）_UQI-LIUWJ的博客-CSDN博客	学习各个channel重要性权重，对channel进行重新加权

bio

论文笔记：Highly accurate protein structure prediction with AlphaFold (AlphaFold 2 & appendix)_UQI-LIUWJ的博客-CSDN博客

利用Transformer变体，物理和生物知识，预测蛋白质3D结构

原子级别的误差

4 总结

4.1 交通预测

4.1.1 早期模型的缺点

数据建模		使用数学工具（比如微分方程）和物理知识来模拟交通场景，解决交通问题但这需要复杂的系统化的编程，还需要大量的算力。同时，不切实际的假设和简化很有可能会使得预测的精准度不足因此，随着交通数据收集和存储技术的进步，越来越多的研究侧重于数据驱动
时间序列分析模型	历史平均HA、ARIMA、VAR	难以解决数据的不稳定行和非线性这些模型需要数据满足一些假设，但是交通数据过于复杂，无法满足这些假设，所以这些模型在交通预测领域的表现不尽人意这种模型受限于对于时间序列平稳性的假设，同时它没有把时空相关性纳入考虑范围。因此，这种方法没法解决高度非线性的交通流量预测问题。
传统机器学习	KNN, SVM	1）难以同时考虑高维交通数据集中时空相关性 2）十分依赖特征的选择和建立
一些深度学习模型	ST-ResNet、CNN+LSTM DBN SAE	仍然难以同时建模交通数据中时间和空间特征的相关性
	RNN	略了传感器之间的空间相关性。

4.2 交通补全

传统的时间序列方法	自回归模型（autoregressive）和动态线性模型（DLM）	主要关注于低维时序数据，无法解决我们之前说的高维数据和有缺失值的问题。
	向量自回归模型(VAR)和高斯过程(GP)	当我们试图分析一个多元时间序列时，VAR和GP需要指数计算成本。因此，这些模型在分析大尺度时空数据时是不可行的。
矩阵	低秩矩阵分解(MF)或矩阵补全(MC)	最普通的正则项是 $R_x(X)=\|X\|_F$ (F是Forbenius范数），很显然它不太适用于时间序列问题，因为它没有考虑时间嵌入{xt}的顺序。除非正则化参数被仔细地调整，否则这种方法很容易过度拟合，因为它找到了参数的单点估计。为了将空间和时间依赖性整合到分解中，大多数现有的分解方法都采用了基于图的正则化项，通过表示空间和时间结构的辅助图，使得隐藏层因子平滑化。这些方法需要事先对加权时空图矩阵进行推理，但是对于如何构造加权时空图矩阵，几乎没有统一的准则。因此，这些方法的性能很大程度上依赖于权值和图结构的选择。此外，这些方法在出现负相关的情况下是不够的。
	TRMF	该方法在分解框架中引入了自回归正则化器。然而，他们没有考虑学习空间依赖性的问题。因此，我们能否对未知的位置进行精确的插值和预测仍然是个问题。