Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales

要約

地理的に異なる場所にわたって収集された時空間データには欠損値が発生することが多く、データ分析に課題が生じています。
既存の手法は主に固定空間グラフを活用して欠損値を代入しており、異なる場所にまたがるすべてのフィーチャの空間関係がほぼ同じであると暗黙的に想定しています。
ただし、さまざまな場所のセンサーによって記録されたさまざまな特徴のさまざまな空間関係を見落とす可能性があります。
これに対処するために、異種の空間相関に動的に適応するマルチスケールの時空間補完 (GSLI) のためのグラフ構造学習フレームワークを導入します。
私たちのフレームワークには、さまざまなフィーチャの明確なグローバル空間相関に対応するノード スケールのグラフ構造学習と、すべてのステーション内のフィーチャにわたる共通の空間相関を明らかにするフィーチャ スケールのグラフ構造学習が含まれます。
プロミネンス モデリングと統合された私たちのフレームワークは、代入プロセスにおいてより重要なノードと特徴を強調します。
さらに、GSLI には、時空間依存性を捕捉するために、機能間および時間間表現学習が組み込まれています。
6 つの実際の不完全な時空間データセットで評価された GSLI は、データ代入の改善を示しています。

要約(オリジナル)

Spatial-temporal data collected across different geographic locations often suffer from missing values, posing challenges to data analysis. Existing methods primarily leverage fixed spatial graphs to impute missing values, which implicitly assume that the spatial relationship is roughly the same for all features across different locations. However, they may overlook the different spatial relationships of diverse features recorded by sensors in different locations. To address this, we introduce the multi-scale Graph Structure Learning framework for spatial-temporal Imputation (GSLI) that dynamically adapts to the heterogeneous spatial correlations. Our framework encompasses node-scale graph structure learning to cater to the distinct global spatial correlations of different features, and feature-scale graph structure learning to unveil common spatial correlation across features within all stations. Integrated with prominence modeling, our framework emphasizes nodes and features with greater significance in the imputation process. Furthermore, GSLI incorporates cross-feature and cross-temporal representation learning to capture spatial-temporal dependencies. Evaluated on six real incomplete spatial-temporal datasets, GSLI showcases the improvement in data imputation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google