【WWW2021】面向时空图预测的神经结构搜索

时空图是描述城市感知数据(如交通速度和空气质量)的重要结构。基于时空图的预测为智慧城市提供了许多重要的应用，如交通管理和环境分析。近年来，已有许多用于时空图预测的深度学习模型被提出，并取得了显著的效果。然而，设计神经网络需要丰富的领域知识和专家的努力。为此，我们研究了时空图的自动神经结构搜索在城市交通预测中的应用，面临两个挑战:1)如何定义搜索空间来捕获复杂的时空关联;2)如何学习一个时空图对应的属性图的网络权值参数。为了解决这些挑战，我们提出了一个新的框架，名为AutoSTG，用于自动时空图预测。在我们的AutoSTG中，我们的搜索空间采用了空间图卷积和时间卷积操作来捕获复杂的时空相关性。此外，我们利用元学习技术从属性图的元知识中学习空间图卷积层的邻接矩阵和时间卷积层的核。具体地说，这种元知识是由一个图元知识学习器来学习的，这个图元知识学习器在属性图上迭代地聚集知识。最后，在两个真实的基准数据集上进行了广泛的实验，证明AutoSTG可以找到有效的网络架构并取得最先进的结果。据我们所知，我们是第一个研究神经结构搜索的时空图。

http://panzheyi.cc/publication/pan2021autostg/paper.pdf