Nexus sine qua non: 用于交通预测的基本连接网络
摘要：时空图神经网络 (STGNNs) 已成为学习交通数据集上的表示和预测的领先方法，该数据集具有底层的拓扑和相关结构。然而，当前的 STGNNs 采用了复杂的技术来捕捉这些结构，使得它们难以理解和扩展。是否存在简单而有效的架构仍然是一个待解决的问题。在更详细的研究中，我们发现 STGNN 表示的核心是某种形式的时空上下文化。基于此，我们设计了 Nexus sine qua non (NexuSQN)，一个基于高效消息传递骨干网络的必要连接网络。NexuSQN 简单地使用可学习的“在哪里”和“何时”定位器来进行上述的上下文化，并省略了任何复杂的组件，如 RNNs、Transformers 和扩散卷积。结果表明，NexuSQN 在尺寸、计算效率和准确性方面优于精心设计的基准模型。这为开发简单而高效的神经预测器提供了有希望的未来。
作者：Tong Nie, Guoyang Qin, Lijun Sun, Yunpeng Wang, Jian Sun
论文ID：2307.01482
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-15