MoHL：从不完整时空数据学习高阶交互

研究者提出 MoHL（超图拉普拉斯混合模型），可直接从不完整时空数据中学习分组关系结构。它从观测到的共变关系中挖掘重叠的传感器分组，为每种交互阶构建拉普拉斯分量，并通过模拟缺失模式的留出集学习混合权重。 在三个交通网络上的实验中，长时段缺失下高阶分组收益最大，MoHL 在日级缺失下取得最低误差，且学习参数量比深度插补器少数个数量级。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。