ترجمه فارسی مقاله یک شبکه کانولوشن گراف فشرده-پویا مبتنی بر هموارسازی دیفرانسیلی برای بازیابی سیگنال مکانی-زمانی

چکیده

High quality spatiotemporal signal is vitally important for real application scenarios like energy management, traffic planning and cyber security. Due to the uncontrollable factors like abrupt sensors breakdown or communication fault, the spatiotemporal signal collected by sensors is always incomplete. A dynamic graph convolutional network (DGCN) is effective for processing spatiotemporal signal recovery. However, it adopts a static GCN and a sequence neural network to explore the spatial and temporal patterns, separately. Such a separated two-step processing is loose spatiotemporal, thereby failing to capture the complex inner spatiotemporal correlation. To address this issue, this paper proposes a Compact-Dynamic Graph Convolutional Network (CDGCN) for spatiotemporal signal recovery with the following two-fold ideas: a) leveraging the tensor M-product to build a unified tensor graph convolution framework, which considers both spatial and temporal patterns simultaneously; and b) constructing a differential smoothness-based objective function to reduce the noise interference in spatiotemporal signal, thereby further improve the recovery accuracy. Experiments on real-world spatiotemporal datasets demonstrate that the proposed CDGCN significantly outperforms the state-of-the-art models in terms of recovery accuracy.

چکیده به فارسی (ترجمه ماشینی)

سیگنال فضایی با کیفیت بالا برای سناریوهای کاربردی واقعی مانند مدیریت انرژی ، برنامه ریزی ترافیک و امنیت سایبری از اهمیت حیاتی برخوردار است.با توجه به عوامل غیرقابل کنترل مانند تجزیه و تحلیل سنسورهای ناگهانی یا گسل ارتباطی ، سیگنال مکانی مکانی جمع آوری شده توسط سنسورها همیشه ناقص است.یک شبکه حلقوی نمودار پویا (DGCN) برای پردازش بازیابی سیگنال مکانی مکانی مؤثر است.با این حال ، یک GCN استاتیک و یک شبکه عصبی دنباله ای را برای کشف الگوهای مکانی و زمانی به طور جداگانه اتخاذ می کند.چنین پردازش دو مرحله ای جداگانه فضایی و مکانی است که از این طریق نتوانسته همبستگی پیچیده مکانی مکانی داخلی را ضبط کند.برای پرداختن به این موضوع ، این مقاله یک شبکه حل و فصل نمودار-پویا (CDGCN) را برای بازیابی سیگنال مکانی و مکانی با ایده های دو برابری زیر پیشنهاد می کند: الف) استفاده از Tensor M- محصول برای ساخت یک چارچوب حلقوی نمودار تانسور یکپارچه ، که هر دو را در نظر می گیردالگوهای مکانی و زمانی به طور همزمان ؛و ب) ساخت یک عملکرد هدف مبتنی بر صافی برای کاهش تداخل نویز در سیگنال مکانی مکانی ، در نتیجه دقت بهبود را بهبود می بخشد.آزمایشات روی مجموعه داده های مکانی مکانی واقعی در دنیای واقعی نشان می دهد که CDGCN پیشنهادی به طور قابل توجهی از مدل های پیشرفته از نظر دقت بهبودی بهتر است.