时空预测基准数据集与模型的批判性审查
A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models
精选理由
审计时空预测基准与模型，揭示预处理和基线选择如何影响图神经网络的评估结论。
AI 摘要
arXiv:2608.20980v2 公告类型：替换 摘要：图神经网络（GNNs）被广泛用于时空预测，但其在常用基准数据集上的表现并不一致。本文审查了数据集属性和基线模型，以评估这些基准的质量，以及基于它们得出的结论的稳健性。我们使用经典统计工具，刻画基准数据中的时空滞后依赖关系，并考察时间差分如何改变这些关系及影响模型排名。基于这一分析，我们重新评估了时间线性基线模型，发现这显著缩小了 GNNs 在若干基准上表现出的优势，且这些基线模型在其他基准上超越了 GNNs。我们推测 GNNs 难以提取各节点的线性信号，并发现向其提供自回归残差能够改善其表现，在非交通类基准上尤为明显。最后，受控合成实验表明，GNNs 对时间动态和空间图交互中的异质性较为敏感。总体而言，我们的发现表明，基线设定、数据预处理和系统异质性会影响对基准排名的解读，从而为 GNNs 的设计与稳健评估提供参考。