Pattern in Motion: Retrieval-Augmented Learning for Dynamic Spatio-Temporal Graphs

Haoyu Zhang

doi:10.1109/tpami.2026.3728522

Pattern in Motion: Retrieval-Augmented Learning for Dynamic Spatio-Temporal Graphs

2026-09-01

0

PRE

AI

DOI：10.1109/tpami.2026.3728522

原文链接

原文求助

摘要

En 中文

时空图神经网络（STGNNs）已成为建模动态系统的强大工具，但在流式时空分布外（STOOD）场景中面临关键泛化挑战，其中空间结构和时间动态演变超出了历史训练期观察到的分布。现有方法面临根本性困境：参数化方法受灾难性遗忘和梯度冲突困扰，而回放基方法难以区分跨期重复模式与期特定瞬时模式。为克服这些局限，我们提出PRAL（动态时空图的模式检索增强学习），一种新型框架，显式地将历史知识存储在外部模式库中，而非隐式编码在模型参数中。PRAL构建多维模式库，捕获空间、时间和时空维度的代表性模式，其中模式键作为高效检索索引，模式值封装丰富上下文特征。通过稳定子空间投影器（SSP）和移位感知检索再加权（SR2）机制，进一步区分存储模式中的重复和瞬时成分。训练后，PRAL通过基于相似性的匹配检索相关模式，并通过可学习的平衡机制将其与当前观测自适应融合。在多个真实流图数据集上的大量实验表明，PRAL在所有比较方法中达到最佳平均性能，平均MAE/RMSE/MAPE较最强非检索基线提升15–30%，在与STRAP的某些骨干–数据集配置上有所权衡；它还实现了无需任务特定微调的稳健流式STOOD泛化。

Keyword:

Spatio-Temporal Graph Neural Networks

Spatio-Temporal Forecasting

Out-of-Distribution

Pattern in Motion: Retrieval-Augmented Learning for Dynamic Spatio-Temporal Graphs

摘要

期刊

机构

引用论文