MoHL：从不完整时空数据学习高阶交互

2026年10月15日，arXiv Artificial Intelligence 刊出论文《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》。据该报道，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：它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。报道称，在三个交通网络上的实验中，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。上述内容均来自该篇报道，尚无后续跟进报道，事件进展有待更新。

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。