ICML 2023 | 港大提出创新时空图预训练架构,助力智慧城市多维任务学习
收录会议:
论文链接:
代码链接:
港大数据智能实验室(指导老师:黄超)
研究背景
受自监督学习在缓解数据稀缺和噪声问题方面取得的最新进展的鼓舞,我们提出了一种结合有效数据增强的时空图预训练框架,并在模型设计中探讨了以下几个关键问题:
问题1:如何生成有效的自监督信号以作为时空图的预训练任务? 问题2:如何在对比学习中自动辨识出挑战性样本,以增强模型的鲁棒性? 问题3:如何建模不同区域关系视图之间的相互依赖性?
我们对现有时空图学习方法在处理含噪声和不完整城市数据时的局限性和非鲁棒性进行了深入分析。 我们提出了 GraphST 时空图预训练模型,通过对抗性对比学习范式,并结合图结构自适应自监督学习,加强了区域之间关系学习的能力。 - 我们通过在多个设定和时空预测任务上的实验,展示了 GraphST 相较于现有先进方法的显著性能提升。
模型介绍
2.1 时空图增强学习
2.2 图增强
2.3 对抗性对比学习与难样本
2.4 跨视图对比学习
为了更清晰地阐述这一点,我们以 POI 图视图(Gp,̃Hp)和移动图视图(Gm,̃Hm)之间的对比损失 Lp,m 为例。这种对比损失计算方法不仅促进了不同视图之间的相互理解和整合,而且通过巧妙地设计损失函数,能够有效地捕捉和利用这些视图间复杂的相互作用,从而为数据提供更完整和精确的表征。这样的方法让模型能够在保持各视图特性的同时,更好地理解和表达 POI 的多维度信息,学习到城市多维度动态信息。
实验结果
此外,我们注意到,如果直接将标准图神经网络应用于区域图上,其性能可能会因异构数据源中的噪声时空区域关系而受到负面影响。这种脆弱性可能导致表示的质量不佳。我们的模型恰好通过增强学习机制,有效地克服了这一问题,从而确保了更加准确和鲁棒的数据表示。
总结
通过在多种时空预测任务上的实验验证,我们的方法证实了其卓越的性能,优于现有技术。此外,我们的模型通过有效提取自我监督信息,显著降低了对传统手动特征工程的依赖,从而简化了整个学习过程。通过这些创新,我们的模型为时空数据分析领域提供了一种强有力的新工具,为未来的研究和应用奠定了基础。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关键词
方法
自监督
对比学习
框架
策略
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。