PulseAugur
中
实时 05:15:55
English(EN) A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines

时空预测基准因偏见和偏爱线性模型而受到批评

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新论文批判性地审查了用于图神经网络（GNN）时空预测的常用基准数据集和基线。研究表明，在Chickenpox、METR-LA和PEMS-BAY等广泛采用的数据集上，空间无关的线性模型通常能与GNN相媲美。作者将此归因于数据集中的结构性偏差，并提出了一种更严格的统计评估方法，以更好地评估GNN性能并确定新的模型开发方法。 AI

影响 强调了在时空预测中可能高估GNN性能，敦促进行更严格的评估。

排序理由 学术论文，分析现有研究方法和数据集。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

时空预测基准因偏见和偏爱线性模型而受到批评

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Kenneth Martin, Simon Heilig, Asja Fischer, Michel F. C. Haddad, Adam M. Sykulski, Moshe Eliasof ·

    时空预测基准数据集和基线方法的关键审计

    arXiv:2608.20980v1 Announce Type: cross Abstract: Graph neural networks (GNNs) are routinely employed for short-range forecasting on multivariate time series with a spatial graph structure. Despite the availability of many alternative datasets, method innovations within this doma…

相关实体

相关话题