GNN如何建模時空資訊？倫敦瑪麗皇后大學「時空圖神經網路」綜述，簡明闡述時空圖神經網路方法

這些強大的演算法在過去幾年中獲得了巨大的興趣。然而，這種性能是基於靜態圖結構假設的，這限制了圖神經網路在資料隨時間變化時的表現。時序圖神經網路是考慮時間因素的圖神經網路的擴展。

近年來，各種時序圖神經網路演算法被提出，並在多個時間相關​​應用中取得了優於其他深度學習演算法的效能。本綜述討論了與時空圖神經網路相關的有趣主題，包括演算法、應用和開放挑戰。

論文網址：https://www.php.cn/link/1915523773b16865a73a38acc952ccda

#1. 引言

#圖神經網路(GNN)是一類深度學習模型，專門設計用於處理圖結構資料。這些模型利用圖拓樸來學習圖的節點和邊的有意義表示。圖神經網路是傳統卷積神經網路的擴展，在圖分類、節點分類和連結預測等任務中被證明是有效的。 GNNs的關鍵優勢之一是，即使在基礎圖的規模增長時，它們也能保持良好的效能，這是因為可學習參數的數量獨立於圖中節點的數量。圖神經網路(GNN)已被廣泛應用於各種領域，如推薦系統、藥物發現和生物學以及自治系統中的資源分配。然而，這些模型僅限於靜態圖數據，其中圖結構是固定的。近年來，時變圖數據引起了人們越來越多的關注，它出現在各種系統中並攜帶有價值的時間資訊。時變圖資料的應用包括多元時間序列資料、社交網路、視聽系統等。

為了滿足這個需求，出現了一種新的GNN族:時空GNN，透過學習圖結構的時間表示，同時考慮了資料的空間和時間維度。本文對最先進的時空圖神經網路進行了全面的回顧。本文首先簡要概述不同類型的時空圖神經網路及其基本假設。更詳細地研究了時空GNN中使用的特定演算法，同時也為這些模型的分組提供了有用的分類法。本文也概述了時空GNN的各種應用，強調了這些模型已被用於取得最先進結果的關鍵領域。最後，討論了該領域面臨的挑戰和未來的研究方向。總之，本篇綜述旨在對時空圖神經網路進行全面且深入的研究，強調該領域的現狀、仍需要解決的關鍵挑戰，以及這些模型令人興奮的未來可能性。

2. 演算法

時空圖神經網路從演算法角度可分為基於頻譜的和基於空間的兩類。另一個分類類別是引入時變的方法:另一個機器學習演算法或在圖結構中定義時間。

2.1 混合時空圖神經網路

混合時空圖神經網路由兩個主要元件組成:空間元件和時間元件。在混合時空圖神經網路中，利用圖神經網路演算法對資料中的空間依賴關係進行建模。

2.2 Solo-Graph神經網路

在時空圖神經網路中建模時間的另一種方法是在GNN本身中定義時間框架。提出了多種方法，包括:將時間定義為邊，將時間作為訊號輸入到GNN，將時間建模為子圖，以及將其他機器學習架構夾在GNN中(圖2)。

3. 應用程式

3.1 多變量時間序列預測

受圖神經網路處理關係依賴[10]能力的啟發，時空圖神經網路被廣泛應用於多變量時間序列預測。應用包括流量預測，Covid預測，光伏電力消耗，RSU通訊和地震應用。

3.2人物互動

在機器學習和電腦視覺中，時空域學習仍然是一個非常具有挑戰性的問題。主要的挑戰是如何在大的時空上下文[18]中建模物件和更高層次的概念之間的交互作用。在這樣一個困難的學習任務中，有效地對空間關係、局部外觀以及隨著時間發生的複雜互動和變化進行建模是至關重要的。 [18]引入了一種時空圖神經網路模型，在空間和時間上循環，適合捕捉不斷變化的世界場景[18]中不同實體和物體的局部外觀和複雜的高層交互作用。

3.3 動態圖表示

時序圖表示學習一直被認為是圖機器學習中一個非常重要的面向[15,31]。針對現有方法依賴時序圖的離散快照而無法捕捉強大表示的局限性，[3]提出了一種基於時空圖神經網路的動態圖表示學習方法。此外，[15]如今使用時空GNN動態表示腦圖。多目標追蹤影片中的多目標追蹤嚴重依賴對目標之間的時空交互作用進行建模[16]。 [16]提出了一種時空圖神經網路演算法，對物件之間的空間和時間交互作用進行建模。

3.4 手語翻譯

手語採用視覺-手動方式來傳達意義，是聾人和重聽群體的主要溝通工具。為了縮小口語使用者和手語使用者之間的溝通鴻溝，機器學習技術被引入其中。傳統上，神經機器翻譯被廣泛採用，但需要更先進的方法來捕捉手語的空間屬性。 [13]提出了一種基於時空圖神經網路的手語翻譯系統，該系統在捕捉手語的時空結構方面具有強大的能力，與傳統的神經機器翻譯方法[13]相比，取得了最好的性能。

3.5 技術成長排名

了解技術的成長率是技術部門業務策略的核心關鍵。此外，預測技術的成長速度和相互之間的關係，有助於在產品定義、行銷策略和研發方面的商業決策。 [32]提出了一種基於時空圖神經網路的社交網路技術成長排名預測方法。

4. 結論

圖神經網路在過去幾年中獲得了巨大的興趣。這些強大的演算法將深度學習模型擴展到非歐氏空間。然而，圖神經網路限於靜態圖結構假設，限制了圖神經網路在資料隨時間變化時的表現。時序圖神經網路是考慮時間因素的圖神經網路的擴展。本文對時空圖神經網路進行了全面的概述。本文提出了一種分類法，基於時變方法將時空圖神經網路分為兩類。也討論了時空圖神經網路的廣泛應用。最後，根據目前時空圖神經網路面臨的公開挑戰，提出了未來的研究方向。

參考資料：https://www.php.cn/link/1915523773b16865a73a38acc952ccda

##

以上是GNN如何建模時空資訊？倫敦瑪麗皇后大學「時空圖神經網路」綜述，簡明闡述時空圖神經網路方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！