FairSTG: 通过协作的样本级优化来对抗性能异质性
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了多种新型空间-时间学习模型和框架，如CL4ST、GraphST和ST-GFSL，旨在提高交通和犯罪预测的准确性。这些模型在处理多视图信息和数据稀缺问题上表现优异，能够有效提取特征并重构图结构，超越现有基准模型。
❓
Q&A
CL4ST框架的主要优势是什么？
CL4ST框架在交通和犯罪预测方面显著优于各种最先进的基准模型。
GraphST模型是如何提升多视图信息处理能力的？
GraphST模型采用自监督学习和跨视图对比学习方法，提高了多视图信息的利用和处理能力。
ST-GFSL框架如何解决数据稀缺问题？
ST-GFSL框架通过跨城市知识转移提高特征提取质量，重构图结构以增强交通速度预测的准确性。
AutoST方法的主要创新点是什么？
AutoST方法结合异构图神经架构和参数化对比视图生成器，解决数据噪声和分布异质性问题。
ST-SSL框架是如何解决空间和时间异质性问题的？
ST-SSL框架结合时间和空间卷积及自我监督辅助任务，实验结果表明其在多个基准数据集上表现良好。
STFGNN模型的设计目的是什么？
STFGNN模型结合空间和时间图的融合操作，处理长序列，实现更好的性能。
🏷️
