Die Studie präsentiert STG-Mamba, ein innovatives Modell für Spatial-Temporal Graph-Lernen, das moderne selektive Zustandsraummodelle (SSSM) nutzt. Im Gegensatz zu herkömmlichen Aufmerksamkeitsmechanismen-basierten Methoden, die quadratische Komplexität aufweisen, bietet STG-Mamba eine lineare Komplexität und übertrifft andere Benchmark-Methoden in Bezug auf Vorhersagegenauigkeit und Recheneffizienz.
Der Kern von STG-Mamba ist der Graph Selective State Space Block (GS3B), der eine selektive Mechanismus integriert, um die wichtigsten Informationen aus STG-Daten zu extrahieren und die dynamische Entwicklung des STG-Systems über die Zeit hinweg präzise zu modellieren. Darüber hinaus wird ein Kalman-Filtering-basierter Graph-Neuronaler-Netzwerk-Ansatz (KFGN) vorgestellt, um die adaptiven Änderungen der Graphstruktur innerhalb des SSSM-Kontexts zu ermöglichen.
Die umfassenden Experimente auf drei realen STG-Datensätzen zeigen, dass STG-Mamba nicht nur die Benchmark-Methoden in Bezug auf Vorhersageleistung übertrifft, sondern auch eine deutlich geringere Rechenbelastung aufweist. Dies macht STG-Mamba zu einem vielversprechenden Ansatz für effizientes und genaues Spatial-Temporal Graph-Lernen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Lincan Li,Ha... at arxiv.org 03-20-2024
https://arxiv.org/pdf/2403.12418.pdfDeeper Inquiries