- Прогнозирование движения по городу с помощью обучения переносу иерархического графа с семантическим слиянием (arXiv)
Автор: Кехуа Чен, Цзиндун Хань, Сыюань Фэн, Хай Ян.
Аннотация: Точное прогнозирование трафика приносит пользу городскому управлению и повышает эффективность транспорта. В последнее время методы, основанные на данных, стали широко применяться для прогнозирования трафика и превзошли традиционные методы. Однако методы, основанные на данных, обычно требуют больших данных для обучения, в то время как нехватка данных наблюдается повсеместно в регионах с низким уровнем развития или недавно построенных регионах. Чтобы решить эту проблему, мы можем извлекать метазнания из городов, богатых данными, в города с дефицитом данных посредством трансферного обучения. Кроме того, отношения между городскими районами могут быть организованы в различные семантические графы, напр. близость и сходство POI, которые почти не учитывались в предыдущих исследованиях. В этой статье мы предлагаем модель обучения передаче иерархического графа с семантическим слиянием (SF-HGTL) для обеспечения передачи знаний между городами с объединенной семантикой. В частности, мы используем преобразование иерархического графа с последующим поиском метазнаний для обеспечения передачи знаний с различной степенью детализации. Кроме того, мы вводим метасемантические узлы, чтобы уменьшить количество параметров, а также обмениваться информацией по семантике. После этого параметры базовой модели генерируются с помощью объединенных семантических вложений для прогнозирования состояния трафика с точки зрения неоднородности задач. Мы проводим эксперименты на пяти реальных наборах данных и проверяем эффективность нашей модели SF-HGTL, сравнивая ее с другими базовыми показателями.
2. Полудецентрализованное обучение федеративному эго-графу для рекомендации (arXiv)
Автор: Лян Цюй, Нинчжи Тан, Жуйци Чжэн, Куок Вьет Хунг Нгуен, Цзы Хуан, Юхуэй Ши, Хунчжи Инь.
Аннотация: рекомендательные системы на основе совместной фильтрации (CF) обычно обучаются на основе данных личного взаимодействия (например, кликов и покупок), которые могут быть естественным образом представлены в виде графиков эго. Тем не менее, большинство существующих методов рекомендаций собирают эти эго-графы от всех пользователей, чтобы составить глобальный граф для получения совместной информации высокого порядка между пользователями и элементами, и эти централизованные методы рекомендаций CF неизбежно приводят к высокому риску утечки конфиденциальности пользователей. Хотя недавно предложенные федеративные системы рекомендаций могут смягчить проблему конфиденциальности, они либо ограничивают локальное обучение на устройстве изолированным графом эго, либо полагаются на дополнительный сторонний сервер для доступа к другим графам эго, что приводит к громоздкому конвейеру, который трудно реализовать. работать на практике. Кроме того, существующим федеративным рекомендательным системам требуются устройства с ограниченными ресурсами для обслуживания всех таблиц встраивания, что приводит к высоким затратам на связь. В свете этого мы предлагаем полудецентрализованную среду обучения федеративного эго-графа для рекомендаций на устройстве под названием SemiDFEGL, которая представляет новые возможности совместной работы между устройствами для улучшения масштабируемости и снижения затрат на связь, а также инновационно использует прогнозируемые взаимодействующие узлы элементов для подключения. изолированные эго-графы для расширения локальных подграфов, чтобы совместная информация пользователя и элемента высокого порядка могла использоваться с сохранением конфиденциальности. Кроме того, предлагаемая структура не зависит от модели, что означает, что ее можно легко интегрировать с существующими методами рекомендаций на основе графовых нейронных сетей и методами защиты конфиденциальности. Чтобы проверить эффективность предлагаемого SemiDFEGL, были проведены обширные эксперименты с тремя общедоступными наборами данных, и результаты демонстрируют превосходство предлагаемого SemiDFEGL по сравнению с другими методами объединенных рекомендаций.
