NIPS 2020
1 abstract & intro
- 当前的大多数深度学习方法基于共享参数设计模型
- 不同节点对应同一套参数
- 但是,由于每条道路的具体情况不一样,使用同一套参数无法捕捉细粒度的数据模式
- ——>这篇论文设计了节点自适应参数学习(NAPL)模块,分解传统GCN中的参数,每个节点有自己的一套参数
- 当前模型大多使用邻接矩阵来预定义一个图,以捕捉空间相关性
- 这个图不一定能完整地表示空间依赖性‘
- ——>这篇论文设计了数据自适应图生成(DAGG)模块,自动推断不同序列之间的相互依赖关系
- 这篇论文提出一种自适应图卷积递归网络(AGCRN),基于节点自适应参数学习(NAPL)模块、数据自适应图生成(DAGG)模块这两个模块和RNN架构,自动捕获交通序列的细粒度时空关联。
2 问题定义
- N个节点在t个时刻的时间序列可以表示为
- 其中
- 其中
- N个节点构成图
- 问题的目标是学习一个预测函数
,使得:
3 模型部分
3.1 节点自适应参数学习(NAPL)模块
- 论文采用Kipf GCN的计算方式
- 其中
- 不难发现,所有的节点都是用共同的一套参数
建模的
- 但是,由于每条道路的具体情况不一样,使用同一套参数可能无法捕捉细粒度的数据模式
- 其中
- 一种最直接的改进想法是,令
,也即每个节点一套参数
- 但这样的设计带来的问题是,N较大得到时候,参数量过大
- 论文中的改进方向是矩阵分解
- 此时GCN变成
3.2 数据自适应图生成(DAGG)模块
- 令
- 那么此时GCN进一步变成:
3.3 自适应图卷积递归网络(AGCRN)
- 将GRU中的MLP换成3.1和3.2的两个新模块
4 实验部分