空間時間グラフ学習は、グラフ研究の重要な対象となっています。多くの応用分野では、時間情報が極めて重要である動的なグラフが含まれています。例えば、交通ネットワークや金融取引グラフなどが挙げられます。構造化データの学習に関する継続的な進歩にもかかわらず、空間時間構造から動的な複雑な特徴を抽出する効果的な手段がまだ不足しています。特に、畳み込みネットワークや再帰型ニューラルネットワークなどの従来のモデルは、短期間や長期間の時間パターンと、局所的または全局的な空間特性を同時に解明する能力に欠けています。この問題に対処するために、我々は新しい多スケールアーキテクチャである空間時間U-Net（Spatio-Temporal U-Net, ST-UNet）を設計しました。このU字型ネットワークでは、空間時間領域に合わせてペアとなるサンプリング操作が提案されています。プーリング（ST-Pool）は入力グラフを確定的な分割により空間的に粗くし、拡張再帰スキップ接続を通じて多解像度の時間依存関係を抽象化します。ダウンサンプリングでの設定に基づいて、アンプーリング（ST-Unpool）は空間時間グラフの元の構造を復元し、グラフシーケンス内の通常間隔を再開します。空間時間予測タスクにおける実験結果は、当モデルが複数のスケールで包括的な特徴を効果的に捉え、いくつかの実世界データセットにおいて主流的手法よりも大幅な改善を達成していることを示しています。