Der Artikel untersucht das Problem der Zeitreihenvorhersage auf Graphen, wenn Trainings- und Testdaten aus unterschiedlichen oder nicht übereinstimmenden Szenarien stammen. Um diese Herausforderung anzugehen, schlagen die Autoren einen methodischen Ansatz vor, bei dem Domänen-Differenzialgleichungen in Graph-Convolutional-Netzwerke integriert werden, um das gemeinsame Datenverhalten über Datenverteilungen hinweg zu erfassen.
Die Autoren zeigen theoretisch, dass dieser Ansatz unter bestimmten Bedingungen robuster gegenüber der Domänengeneralisierung ist. Sie entwickeln zwei neuartige domäneninformierte GCNs: RDGCN und SIRGCN. RDGCN integriert Reaktions-Diffusions-Gleichungen für die Verkehrsgeschwindigkeit, während SIRGCN ein Susceptible-Infected-Recovered-Modell für die Ausbreitung von Infektionskrankheiten verwendet.
Die numerische Auswertung zeigt, dass die vorgeschlagenen Modelle in Szenarien mit nicht übereinstimmenden Daten robuster sind als bestehende Methoden.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Yue Sun,Chao... om arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.01217.pdfDiepere vragen