초록
공간-시간 그래프 학습은 그래프 연구의 점점 더 중요한 주제가 되고 있습니다. 교통 네트워크와 금융 거래 그래프 등 많은 응용 분야에서 시간 정보가 매우 중요하며, 이는 고도로 동적인 그래프를 포함합니다. 구조화된 데이터 학습에 대한 지속적인 발전에도 불구하고, 여전히 공간-시간 구조에서 동적 복잡한 특징을 추출하는 효과적인 방법이 부족합니다. 특히, 컨볼루션 네트워크나 순환 신경망과 같은 전통적인 모델들은 공간-시간 그래프에서 단기 또는 장기의 시간 패턴과 국소 또는 전체 범위의 공간 속성을 동시에 파악할 수 없습니다. 이 문제를 해결하기 위해, 우리는 그래프 구조화된 시계열 모델링을 위한 새로운 다중 척도 아키텍처인 공간-시간 U-Net (ST-UNet)을 설계했습니다. 이 U자형 네트워크에서는 공간-시간 영역에 맞춰 짝을 이루는 샘플링 연산이 제안됩니다: 풀링 (ST-Pool)은 결정론적 분할을 통해 입력 그래프의 공간 해상도를 낮추며, 확장된 순환 스킵 연결을 통해 다중 해상도 시간 종속성을 추상화합니다; 다운샘플링 설정에 따라 언풀링 (ST-Unpool)은 공간-시간 그래프의 원래 구조를 복원하고, 그래프 시퀀스 내에서 정규 간격을 재개합니다. 공간-시간 예측 작업에 대한 실험 결과, 우리의 모델은 여러 척도에서 포괄적인 특징을 효과적으로 포착하며, 여러 실제 데이터셋에서 주류 방법론보다 실질적인 개선을 이루어냈습니다.