ASTGNN(Localised Adaptive Spatial-Temporal Graph Neural Network)

引言

        本文主要探讨的问题是：能否以及在多大程度上对时空图模型进行局部化。并且将研究领域集中到ASTGNN上。ASTGNNs通常使用自适应图卷积层对空间依赖性进行建模。通过学习图邻接矩阵来捕获空间依赖性。因此，ASTGNN的局部化是通过邻接矩阵（仅捕获空间依赖性）的稀疏化来实现的，这也可以理解为空间图中的剪枝。为什么要研究时空图模型的局部化：

• 更深入的理解数据中的时间和空间依赖性：如果局部化导致编辑精度下降，则空间依赖性提供的信息已经很大程度上和时间依赖性重叠了，因此对于推理来说已经不必要了；
• 设计资源高效的ASTGNN：因为空间图的大小随顶点的数量呈二次方增长，所以ASTGNN的计算量很大，ASTGNN的局部化可以减少时空图模型的资源需求；
• 时空模型的分布式部署：传统的时空图模型的预测设计传感器节点之间的数据交换，时空图模型的局部化可以使各个传感器节点能够完成自主预测而无需彼此通信，这节省了宽带并保护了分布式系统中的隐私。

        本文使用AGS(Adaptive Graph Sparsification, 自动梯度稀疏化)来局部化ASTGNN。AGS的核心是掩膜矩阵(mask matrix)L0正则化的可微近似。