En breve
Este estudio analiza si un modelo de predicción en grafos puede aprender mejores representaciones de nodos entrenando con varios conjuntos relacionados en lugar de comenzar desde cero en cada uno.
Contribución
Un procedimiento de entrenamiento multiconjunto basado en subgrafos, seguido de transferencia y ajuste fino de embeddings, junto con un análisis explicativo de las representaciones.
Resultado principal
Los embeddings transferidos mejoraron la precisión en varios conjuntos de tráfico y mantuvieron resultados competitivos en los demás.
Modelos y datos
Elementos distintivos
- Multi-dataset graph training
- Transferable node embeddings
- Traffic forecasting graphs
- Generated subgraph dataset
Citar este trabajo
BibTeX
@article{garciasiguenza2026multi,
title = {Multi-Dataset Training for Improved Accuracy in Spatio-Temporal Problems: An Explainable Analysis},
author = {Javier García-Sigüenza and Alberto Real-Fernández and Faraón Llorens-Largo and Rafael Molina-Carmona and Marc Semper},
journal = {Mathematics},
year = {2026},
volume = {14},
number = {5},
eid = {908},
doi = {10.3390/math14050908}
}Comprueba siempre el registro editorial antes de citar.