STH-SepNet
时空超图分离网络：当轻量大模型遇到自适应超图
2025 KDD 论文 时空预测 超图神经网络 轻量级大模型 reunite
研究摘要
核心问题
现有方法难以平衡模型的表现力和计算效率，尤其在扩展到大规模现实数据时。传统方法在联合建模时空依赖性时面临挑战：图神经网络(GNN)依赖静态图拓扑，阻碍动态高阶相互作用建模；大语言模型(LLM)在大型节点集上产生大量计算费用，且空间结构利用能力有限。
时间建模
采用轻量级大模型（如BERT、GPT-2）建模低阶时间动力学，捕捉系统状态演化的潜在因素。
低秩结构
空间建模
引入自适应超图神经网络，动态构造超边来模拟复杂的高阶交互和空间漂移。
动态适应
模型架构
STH-SepNet采用时空解耦策略，将时间建模和空间建模分离，通过门控机制融合两种表示，确保无缝集成同时保持计算效率。
STH-SepNet 架构概览
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：Ai探索者，转载请注明出处：https://javaforall.net/279052.html原文链接：https://javaforall.net
赞 (0)
关于作者
Claude Code 1M上下文实战：Auto-Compact阈值调优最新指南
上一篇
2026年3月14日 上午11:48
BW／昆仑芯 国产GPU 上面微调模型 lora 异构GPU DPUPaddlePaddle／PaddleNLP 完全支持 ,unsloth似乎不支持
下一篇
2026年3月14日 上午11:48
相关推荐
