STG-Mamba: Spatial-Temporal Graph Learning via Selective State Space Model

空间-时间图（STG）数据具有动态性、异质性和非平稳性等特征，因此空间-时间图学习一直是一个持续的挑战。在过去的几年中，各种基于图神经网络（GNN）的方法被提出，仅专注于模拟STG网络中节点个体之间的关系，而忽略了对存在于STG系统中的内在特征进行建模的重要性。相比之下，现代选择性状态空间模型（SSSMs）提出了一种新的方法，将STG网络视为一个系统，并精心探索STG系统在时间维度上的动态状态演变。在这项工作中，我们介绍了空间-时间图Mamba（STG-Mamba），这是第一个利用强大的选择性状态空间模型进行STG学习的探索，通过将STG网络视为一个系统，并采用图选择性状态空间块（GS3B）来精确描述STG网络的动态演变。STG-Mamba被制定为一个编码器-解码器架构，它以GS3B作为基本模块，用于高效的序列数据建模。此外，为了增强GNN在SSSMs设置下对STG数据建模的能力，我们提出了卡尔曼滤波图神经网络（KFGN），用于自适应图结构升级。KFGN平滑地适应于选择性状态空间演化的上下文中，并同时保持线性复杂度。在三个基准STG预测数据集上进行了广泛的实证研究，展示了STG-Mamba的性能优越性和计算效率。它不仅在STG预测性能方面超越了现有的最先进方法，而且有效地缓解了大规模图网络的计算瓶颈，减少了FLOPs的计算成本和测试推理时间。

解决动态、异构、非平稳的空时图（STG）学习挑战，探索建模STG系统内在特征的重要性。

使用选择性状态空间模型（SSSMs）作为新方法，将STG网络视为系统，并精确探索其在时间维度上的动态状态演变。提出了Spatial-Temporal Graph Mamba（STG-Mamba）作为第一种利用SSSMs进行STG学习的方法，采用图选择性状态空间块（GS3B）来描述STG网络的动态演变，并提出了Kalman Filtering Graph Neural Networks（KFGN）以适应性地升级图结构。

论文提出的STG-Mamba方法在三个基准STG预测数据集上进行了广泛的实证研究，证明了其在STG预测性能和计算效率方面的优越性。它不仅在STG预测性能方面超越了现有的最先进方法，而且还通过减少FLOPs和测试推理时间的计算成本，有效地缓解了大规模图网络的计算瓶颈。

相关研究包括GNN-based方法和其他基于SSSMs的方法。