arXiv cs.AI· Keshu Wu, Sixu Li, Zihao Li, Zhiwen Fan, Xiaopeng Li, Yang Zhou·· 3 天前AI 评分20
MoHL：用超图拉普拉斯混合模型从不完整时空数据中学习高阶交互
Learning Higher-Order Interactions from Incomplete Spatiotemporal Data with Mixtures of Hypergraph Laplacians
AI 导读
研究者提出 MoHL（mixture of hypergraph Laplacians），可直接从不完整的时空数据中学习分组关系结构，通过从观测到的共变中挖掘重叠传感器组、为每种交互阶构建拉普拉斯分量，并借助模拟缺失模式的留出集学习混合权重。在三个交通网络上的实验显示，长时段数据缺失下高阶分组收益最大，MoHL 在整日缺失场景下取得所评估基线中最低误差，且学习参数量比深度插补模型少数个数量级。
正文 · AI 翻译
摘要：交通传感器数据表现出强烈的时间依赖性和跨传感器依赖性，但长时间的数据缺失会同时抹去传感器的局部历史以及学习其与其他传感器关系所需的联合观测。我们提出了 MoHL，一种超图拉普拉斯混合模型，可直接从不完整的时空数据中学习分组关系结构。MoHL 从观测到的协变中发现重叠的传感器组，为每个交互阶构建一个拉普拉斯分量，并通过模拟缺失模式的留出集学习它们的混合。通过在组诱导的耦合之间共享权重，MoHL 汇聚分散的证据，而不是独立估计每个耦合。我们刻画了所诱导的权重共享结构，并分析了共享降低估计风险的条件。在三个交通网络上的实验表明，高阶组在长时间缺失下最为有益，而支持匹配的比较证明了在关系证据稀缺时共享权重的优势。在长达一天的缺失下，MoHL 在所评估的基线方法中取得了最低误差，且学习参数比深度插补器少几个数量级。这些结果表明，当缺失耗尽了学习跨传感器依赖所需的证据时，分组共享如何能够维持可靠的重建。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.17316 [cs.LG] |
| （或 arXiv:2605.17316v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.17316 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Keshu Wu [查看电子邮件]
[v1]
2026年5月17日星期日 08:15:16 UTC（649 KB）
[v2]
2026年10月11日星期日 02:28:48 UTC（4,751 KB）
来源：arXiv cs.AI · arxiv.org