arXiv · cs.AI· Keshu Wu, Sixu Li, Zihao Li, Zhiwen Fan, Xiaopeng Li, Yang Zhou·· 11 小时前
MoHL从不完整时空数据中学习高阶交互
Learning Higher-Order Interactions from Incomplete Spatiotemporal Data with Mixtures of Hypergraph Laplacians
arXiv:2605.17316v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Keshu Wu, Sixu Li, Zihao Li, Zhiwen Fan, Xiaopeng Li, Yang Zhou
研究任务与主要进展
研究作者提出MoHL（混合超图拉普拉斯），从不完整时空数据中发现重叠传感器群体，并学习不同阶交互的混合结构。方法通过模拟缺失模式的留出集和群体诱导耦合共享权重，在三个交通网络实验中于日长缺口下取得评估基线中的最低误差，同时学习参数量比深度插补器少数个数量级。基于论文摘要，上述结果的具体实验条件和基准细节尚未展开。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org