時空間データの複雑多様な性質に対処するため、空間、時間、量子化の3つの異なる視点からのカリキュラム学習を提案し、それらを統合することで強力で包括的な学習プロセスを実現した。
提案手法STD-MAEは、空間と時間の依存性を分離的に捉えるマスクプリトレーニングを行うことで、時空間データの複雑な異質性を効果的に学習し、様々な時空間予測モデルの性能を大幅に向上させる。
ストリーミングデータに対する時空間予測のために、リプレイバッファとスパース時空間ミックスアップメカニズムを用いた統一的な継続学習フレームワークを提案する。また、時空間自己符号化器と時空間シンプルシアムネットワークを統合し、時空間特徴の保持と予測精度の向上を実現する。
本論文は、既存の時空間予測モデルの性能を向上させるための新しい低ランク適応フレームワークを提案する。このフレームワークは、ノード固有の特性を捉えるためのノードアダプティブ低ランク層を導入し、既存モデルに最小限の変更を加えることで、効率的な性能向上を実現する。