METR-LA
PulseAugur coverage of METR-LA — every cluster mentioning METR-LA across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的CTRL-FM框架解决了虚拟传感中的长时程节点故障问题
研究人员开发了CTRL-FM，一个新颖的虚拟传感框架，解决了长时程节点故障的挑战。与施加固定结构偏差的现有方法不同，CTRL-FM根据具体的故障条件在推理时动态选择和调整结构引导。该方法使用观测到的测量值来构建代理故障，从而能够根据估计的可靠性选择最优控制策略（非控制、图主导、时间主导或平衡）和局部调制。在显著的传感器丢失情况下，CTRL-FM在多个数据集上表现出优越的性能，优于具有固定结构先验的方法。
-
新型图扩散模型实现前所未有的效率
研究人员推出了一种新颖的图结构信号数据生成方法——图残差共轭扩散（GRCD）。与之前应用均匀噪声的方法不同，GRCD采用依赖模式的时钟来均衡不同图频模式下的信噪比（SNR）。该技术旨在通过需要较少的损坏即可达到目标SNR来提高效率。在交通、天气和合成数据集上的评估表明，GRCD在准确性和采样效率方面显著优于现有方法。
-
时空预测基准因偏见和偏爱线性模型而受到批评
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。
-
新型EMAGN模型通过学习聚类提升交通预测效率
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。
-
新的GC-MoE框架通过专门的GNN专家增强交通预测能力
研究人员开发了一个名为GC-MoE的新框架用于交通预测，该框架利用了图神经网络专家混合模型。这种方法允许为每个节点个性化组合冻结的预测专家，以适应局部图拓扑和近期交通数据。该系统仅训练一个小型路由模块，同时利用预训练的专家，在标准基准测试中显示出改进的平均绝对误差。