MoHL：从不完整时空数据学习混合超图拉普拉斯

Keshu Wu 等作者在 arXiv 预印本（v2）中提出 MoHL（混合超图拉普拉斯），直接从不完整时空数据中发现重叠的传感器群体，并学习不同阶交互的混合结构，用于缺失数据插补。 论文称，在三个交通网络实验中，MoHL 在日长缺口下取得所评估基线方法中的最低误差，学习参数量比深度插补器少数个数量级；实验还显示高阶群体在长缺口下最有益，权重共享在关系证据稀缺时具优势。基于论文摘要，具体实验条件和基准细节尚未展开。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。