.png){kind=icon}
返回
Spatial–Temporal Diffusion Model for Matrix Factorization
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3605215.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
矩阵分解（MF）是机器学习中的一个基本问题，通常被用作各个领域中的特征学习方法。对于涉及时空交互的复杂数据，仅处理2-D数据的MF会破坏空间依赖性或时间动态性，无法有效耦合空间信息与时间因素。根据马尔可夫链原理，当前时间的空间信息与之前时间的空间状态相关。我们提出了用于MF的时空扩散模型（STDMF），该模型利用图扩散来耦合时空信息。然后，MF用于学习数据与时空扩散图的联合特征。具体而言，STDMF利用符合物理规律的图扩散来生成时空结构信息。它从全局视角获取复杂系统的潜在核心结构，从而增强MF在含噪声时间序列数据中的泛化能力。为学习时间序列数据中MF的最低秩子空间，STDMF使用结构学习来约束学习特征的秩。最后，STDMF被应用于动态图的聚类和异常检测。充足的实验验证了该方法的有效性，尤其是在处理噪声数据方面。
Keyword:
Dynamic graph
low-rank constraint
matrix factorization (MF)
spatial–temporal diffusion
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
Mining coherent subgraphs in multi-layer graphs with edge labels.png)
Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
分享收藏Semi-Supervised Multiscale Dynamic Graph Convolution Network for Hyperspectral Image Classification用于高光谱图像分类的半监督多尺度动态图卷积网络
PREAI
分享收藏An Advanced Deep Generative Framework for Temporal Link Prediction in Dynamic Networks用于动态网络中时间链接预测的高级深度生成框架
PREAI
分享收藏Convex Non-Negative Matrix Factorization With Adaptive Graph for Unsupervised Feature Selection
PREAI
分享收藏
查看更多内容