Prompt-Enhanced Spatio-Temporal Graph Transfer Learning

空间时间图神经网络已经证明了在城市计算任务中，如预测和克里金插值，捕获复杂依赖关系的有效性。然而，它们的性能受到依赖于特定任务的大量数据训练的限制，这限制了它们适应具有不同需求的新城市领域的能力。虽然迁移学习已经被提出来通过利用跨领域的知识来解决这个问题，但由于缺乏统一的框架，空间时间图迁移学习方法中的跨任务泛化仍未被充分探索。为了弥补这一差距，我们提出了空间时间图提示（STGP），这是一个增强的迁移学习框架，能够适应数据稀缺领域中的各种任务。具体而言，我们首先将不同的任务统一为单个模板，并引入与该模板相一致的任务无关网络架构。这种方法使得能够捕获共享于任务间的空间时间依赖关系。此外，我们采用可学习的提示，在两阶段提示管道中实现领域和任务转移，使提示能够有效地捕获每个阶段的领域知识和任务特定属性。广泛的实验表明，STGP在三个下游任务中，预测、克里金插值和外推，的表现优于现有的基线方法。

论文尝试解决跨领域迁移学习中的交叉任务泛化问题，提出了一个新的框架STGP。

论文提出了一个使用可学习提示的跨领域迁移学习框架STGP，利用可学习提示进行域和任务的迁移，从而适应不同的数据稀缺领域。

论文首先将不同的任务统一到一个模板中，并引入与该模板对齐的任务不可知网络架构，这种方法使得可以捕捉到跨任务共享的时空依赖关系。其次，论文使用可学习提示实现域和任务迁移，这种方法在两个阶段的提示管道中实现，使得提示能够有效地捕捉每个阶段的领域知识和任务特定属性。实验结果表明，STGP在三个下游任务中（预测、克里金插值和外推）的表现优于现有的基线模型。

该领域的相关研究包括跨领域迁移学习、时空图神经网络等。