CoMemNet: Un Framework di Apprendimento Continuo a Doppio Ramo per la Previsione del Traffico

I ricercatori hanno introdotto CoMemNet, un framework di apprendimento continuo con doppi rami progettato per la previsione del traffico, che affronta il problema dell'oblio catastrofico nelle reti in streaming. Il ramo Online, noto per la sua rapida convergenza, si concentra sulle previsioni primarie, mentre il ramo Target, aggiornato tramite momentum, utilizza le caratteristiche della Distanza di Wasserstein per sviluppare un Campionatore Contrastivo Dinamico (DC Sampler). Questo campionatore identifica i nodi che mostrano notevoli cambiamenti dinamici per l'addestramento, contribuendo a ridurre l'oblio. Inoltre, il framework combina la modellazione dello spazio non topologico con l'apprendimento temporale per gestire efficacemente i grafi non euclidei.