T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction
T-GCN,arxiv上面的一篇文章,用 GCN 对空间建模,GRU 对时间建模,很简单的模型。没有对比近几年的图卷积在时空数据挖掘中的模型。原文地址:T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction
T-GCN,arxiv上面的一篇文章,用 GCN 对空间建模,GRU 对时间建模,很简单的模型。没有对比近几年的图卷积在时空数据挖掘中的模型。原文地址:T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction
AAAI 2019,滴滴的网约车需求预测,5个点预测1个点。空间依赖建模上:以图的形式表示数据,从空间地理关系、区域功能相似度、区域交通连通性三个角度构造了三个不同的图,提出了多图卷积,分别用 k 阶 ChebNet 对每个图做图卷积,然后将多个图的卷积结果进行聚合(sum, average 等)成一个图;时间依赖建模上:提出了融合背景信息的 Contextual Gated RNN (CGRNN),用 ChebNet 对每个结点卷积后,得到他们的邻居表示,即每个结点的背景信息表示,与原结点特征拼接,用一个两层全连接神经网络计算出 T 个权重,将权重乘到历史 T 个时刻的图上,对历史值进行缩放,然后用一个共享的 RNN,针对每个结点形成的长度为 T 的时间序列建模,得到每个结点新的时间表示。最后预测每个点的网约车需求。原文地址:Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting
AGC-Seq2Seq,投的是TRC。清华大学和高德地图合作的一项研究。作者采用了 GCN + Seq2Seq + Attention 的混合模型,将路网中的边构建成图中的结点,在 GCN 上做了改进,将邻接矩阵扩展到 k 阶并与一个权重矩阵相乘,类似 HA-GCN(2016),实现了邻居信息聚合时权重的自由调整,可以处理有向图。时间关系上使用 Seq2Seq + Attention 建模,完成了北京市二环线的多步的车速预测,对比的方法中没有近几年出现的时空预测模型。
CVPR 2017. 这篇论文有点难,没看下去。。。原文链接:Geometric deep learning on graphs and manifolds using mixture model CNNs
关于谱聚类的文章,主要包含了谱聚类和拉普拉斯矩阵的内容。最近研究 GCN 的原理的时候发现了这篇论文。
Von Luxburg U. A tutorial on spectral clustering[J]. Statistics and Computing, 2007, 17(4): 395-416.
原文链接:A Tutorial on Spectral Clustering
Layer Normalization,之前看到一篇论文用了这个LN层,看一下这个怎么实现。原文链接:Layer Normalization
AAAI 2018。这篇论文很有趣,讲的是 GCN 堆得过多了之后,效果会变差的问题。作者分析了一下为什么会变差,主要是因为 GCN 的本质实际上是对每个结点的邻居特征和自身特征做线性组合,权重和邻接矩阵相关,所以对于顶点分类问题来说,如果堆得层数多了,就会让一个结点的特征聚合越来越多邻居的特征,让大家都变得相似,从而使得类间的相似度增大,自然分类效果就差了。作者提出了两个方法解决这个问题,算训练上的 trick 吧。原文链接:Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning
KDD 2018.强化学习处理共享单车调度问题。
NIPS 2015. 将 FC-LSTM 中的全连接换成了卷积,也就是将普通的权重与矩阵相乘,换成了卷积核对输入和隐藏状态的卷积,为了能捕获空间信息,将输入变成了4维的矩阵,后两维表示空间信息。两个数据集:Moving-MNIST 和 雷达云图数据集。原文链接:Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
WWW 2018. 对随机游走进行了改进,提出了Pixie随机游走,实际上就是一个有偏的随机游走,根据相似度进行偏离,从而实现个性化推荐,而且使用了早停策略。原文链接:Pixie: A System for Recommending 3+ Billion Items to 200+ Million Users in Real-Time