MoHL：用超图拉普拉斯混合模型从不完整时空数据中学习高阶交互

MoHL 是一种超图拉普拉斯混合模型，可直接从不完整的时空数据中学习分组关系结构，通过从观测共变中发现重叠传感器组、为每个交互阶构建拉普拉斯分量并借助模拟缺失模式的留出集学习混合权重。在三个交通网络上的实验显示，高阶组在长时段数据缺口下收益最大，MoHL 在整日缺口下取得所评估基线中最低误差，且学习参数量比深度插补器少数个数量级。