提出MoHL从缺失时空数据学习高阶交互

MoHL 是一种超图拉普拉斯混合模型，可直接从不完整的时空数据中学习分组关系结构。它从观测到的共变中发现重叠传感器组，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，借助组间权重共享整合零散证据。在三个交通网络上的实验显示，长时段数据缺口下高阶组收益最大，MoHL 在全天缺口下取得最低误差，且学习参数比深度插补模型少数个数量级。

摘自 arXiv：cs.AI

还没有足够的连续观测数据，暂不绘制趋势。