.png){kind=icon}
返回
Attribution-driven node calibration for spatiotemporal data recovery
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-026-01649-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不完整或缺失的传感器数据为时空计算带来了根本性挑战，其中可靠的数据恢复对于准确建模和推理至关重要。现有的基于图的数据插补方法通常忽略了节点在空间和时间上信息量的差异，导致重建结果存在偏差或不稳定。本文提出了一种基于归因的节点校准框架，通过规范的归因分析自适应地调整节点重要性。通过将基于梯度的归因方法整合到时空图学习过程中，本框架量化了每个节点对重建目标的贡献，并应用受控扰动以防止噪声或冗余节点主导。所得优化在信息量和鲁棒性之间取得平衡，提升了数值稳定性和可解释性。在真实交通和环境数据集上的广泛实验表明，本框架在插补精度和鲁棒性方面优于当前最优基线方法。除传感器网络外，所提出的框架为学习不完整图结构数据提供了一种通用的计算范式。代码地址：https://github.com/kaibo-Z/SAGO。
Keyword:
Spatiotemporal Graph Neural Networks
Attribution-Guided Optimization
Missing Data Reconstruction
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
Reliable Data Collection Techniques in Underwater Wireless Sensor Networks: A Survey水下无线传感器网络可靠数据收集技术综述
OAAI
.png){kind=icon}
OAAI分享收藏
GTHP: a novel graph transformer Hawkes process for spatiotemporal event predictionGTHP：一种用于时空事件预测的新型图Transformer Hawkes过程
PREAI
分享收藏Spatial auto‐correlation and auto‐regressive models estimation from sample survey data基于样本调查数据的空间自相关和自回归模型估计
PREAI
分享收藏LightTR+: A Lightweight Incremental Framework for Federated Trajectory RecoveryLightTR+: 一种轻量级增量式联邦轨迹恢复框架
PREAI
分享收藏
查看更多内容