Die Verbesserung topologischer Abhängigkeiten in räumlich-zeitlichen Graphen durch zyklische Nachrichtenübertragungsblöcke

Graph Neural Networks (GNNs) und transformerbasierte Modelle werden zunehmend eingesetzt, um komplexe Vektordarstellungen von räumlich-zeitlichen Graphen zu erlernen, die fein abgestufte räumlich-zeitliche Abhängigkeiten erfassen, die für Anwendungen wie Verkehrsdatensätze entscheidend sind. Obwohl viele bestehende Methoden Multi-Head-Aufmerksamkeitsmechanismen und message-passing neuronale Netze (MPNNs) nutzen, um sowohl räumliche als auch zeitliche Beziehungen zu erfassen, kodieren diese Ansätze zeitliche und räumliche Beziehungen unabhängig voneinander und reflektieren die topologischen Eigenschaften des Graphen nur begrenzt.In dieser Arbeit stellen wir den Cycle to Mixer (Cy2Mixer) vor, ein neues räumlich-zeitliches GNN, das auf topologisch nichttrivialen Invarianten von räumlich-zeitlichen Graphen basiert und geregelte mehrschichtige Perzeptrone (gMLP) verwendet. Der Cy2Mixer besteht aus drei Blöcken, die auf MLPs basieren: Ein temporärer Block zur Erfassung zeitlicher Eigenschaften, ein message-passing Block zur Kapselung räumlicher Informationen und ein zyklischer message-passing Block zur Bereicherung der topologischen Informationen durch zyklische Teilgraphen. Wir stützen die Effektivität des Cy2Mixer durch mathematische Beweise, die betonen, dass unser zyklischer message-passing Block im Vergleich zum konventionellen message-passing Block differenziertere Informationen dem tiefen Lernmodell zur Verfügung stellen kann.Darüber hinaus belegen empirische Auswertungen die Wirksamkeit des Cy2Mixer, indem sie herausragende Leistungen auf verschiedenen räumlich-zeitlichen Benchmark-Datensätzen zeigen. Der Quellcode ist unter \url{https://github.com/leemingo/cy2mixer} verfügbar.