SimpleST: Apprendimento Efficiente tramite Prompt per la Previsione del Traffico
Un nuovo approccio chiamato SimpleST migliora le reti neurali grafiche spazio-temporali (GNN) per la previsione del traffico utilizzando un prompting efficiente. Il metodo è leggero e indipendente dal modello, consentendo alle GNN pre-addestrate di adattarsi a nuove distribuzioni senza modificare i parametri del modello. Ciò riduce il costo e la complessità dell'adattamento, affrontando i problemi di generalizzazione causati dalle dinamiche spazio-temporali. Il lavoro è dettagliato in arXiv:2605.08273.
Fatti principali
- La previsione del traffico è essenziale per i sistemi di trasporto e l'amministrazione urbana.
- Le GNN spazio-temporali raggiungono prestazioni all'avanguardia ma hanno una bassa capacità di generalizzazione.
- I cambiamenti di distribuzione dovuti alle dinamiche spazio-temporali mettono in difficoltà i metodi di previsione.
- SimpleST è un framework di prompt tuning per GNN spazio-temporali.
- Adatta le GNN pre-addestrate a nuove distribuzioni mantenendo fissi i parametri.
- Il meccanismo di prompt riduce il costo e la complessità dell'adattamento.
- L'approccio è leggero e indipendente dal modello.
- L'articolo è disponibile su arXiv con ID 2605.08273.
Entità
Istituzioni
- arXiv