【论文】 Zhang Q, Chang J, Meng G, et al. Spatio-Temporal Graph Structure Learning for Traffic Forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(01): 1177-1185.
【代码】 暂无
目录
- 1. Structure Learning Convolution
-
- 1.1 Formulation of SLC
- 1.2 Relationship Between SLC and CNN Methods
- 2. SLCNN for Traffic Forecasting
-
- 2.1 Global Structure Learning Convolution
- 2.2 Local Structure Learning Convolution
- 2.3 Pseudo Three Dimensional SLC
- 3. Experiments
本篇文章主要是解决如何建模复杂、动态的空间依赖性问题，作者认为现在用的图卷积神经网络存在以下几个问题：
- 使用预定义方法，或依赖于图结构的先验知识，这些并不能保证预测当前学习任务的准确性。
- 多利用局部图结构，忽略了远距离关系。
- 图结构一旦定义即固定，而实际上交通数据每时每刻都在变化，图结构也在变化。
因此，作者提出一种通用的图卷积公式Structure Learning Convolution (SLC)，它能将结构信息显示地建模到卷积运算中。文章提出的SLCNN Layer部署了两个 SLC 分别用于捕捉全局和局部结构信息。同时，作者还将Pseudo three Dimensional convolution (P3D) networks 与 SLC 结合，用于捕捉时间依赖性。下面是对文章（模型）思路的梳理。
1. Structure Learning Convolution
1.1 Formulation of SLC
本节主要说明 Structure Learning Convolution(SLC) 基本思想，以及和普通卷积的异同点，这部分是本文模型的一个核心点，先记住构造思路就行，看上去还挺直观的。
作者认为卷积运算可看作是对输入信号的聚合操作，对于图结构数据，聚合操作不仅仅要聚合信号值，还要聚合图结构信息。因此，作者提出 SLC 表示为： y i = f ( ∑ e i j ∈ E S i j w j x j ) y_{i}=f\left(\sum_{e_{i j} \in \mathcal{E}} S_{i j} w_{j} x_{j}\right) yi=f(∑eij∈ESijwjxj)，其中：
- f ( ⋅ ) f(·) f(⋅) 是激活函数；
- y i y_i yi 是节点 i i i 的输出信号；
- x i x_i xi 是节点 i i i 的输入数据，注意是embedded在图上的数据；
- e i j ∈ E e_{i j} \in \mathcal{E} eij∈E 表示 i / j i/j i/j 之间有边，其中 E \mathcal{E} E不是预定义的，是在训练中得到的。
- W \mathbf{W} W 是 n n n 维卷积核权重， w j w_j w
发布者：admin，转转请注明出处：http://www.yc00.com/web/1755047775a5232972.html
评论列表（0条）