PulseAugur
中
实时 12:10:43
English(EN) EMAGN: Efficient Multi-Attention Graph Network via Learned Clustering for Scalable Traffic Forecasting

新型EMAGN模型通过学习聚类提升交通预测效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了EMAGN，一种高效多注意力图网络，旨在提高交通预测模型的可扩展性。通过采用学习到的聚类矩阵，EMAGN将自注意力机制的计算和内存复杂度从二次方降低到线性。这项创新使得EMAGN在显著降低训练时间、推理时间和GPU内存占用的同时，能够达到与全注意力模型相当的准确性。该模型的效率使其能够在标准GPU上运行，而更复杂的模型则无法运行，这表明交通预测的可行配置得到了实质性扩展。 AI

影响 提供了一种更高效的交通预测方法，有可能实现更大、更复杂的模型进行训练和部署。

排序理由 详细介绍新模型架构及其性能评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型EMAGN模型通过学习聚类提升交通预测效率

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Mingxing Xu, Rakesh Chowdary Machineni, Ke Liu, Xi Cheng, Chengqi Lu, Xin Hu, Lyuhao Chen, Xiangyu Li, Junwei You, Oliver Gao ·

    EMAGN：通过学习聚类实现高效多注意力图网络，用于可扩展交通预测

    arXiv:2607.13241v1 Announce Type: cross Abstract: Traffic forecasting is highly challenging due to complex and nonlinear spatial and temporal dependencies. Self-attention mechanisms have been widely adopted to model dynamic and long-range dependencies, achieving state-of-the-art …

相关话题