En breve
Las arquitecturas de predicción en grafos suelen entrenar representaciones de nodos desde cero y de forma aislada para cada conjunto de datos. Extraer subgrafos de múltiples redes espacio-temporales y transferir los embeddings aprendidos permite reutilizar conocimiento estructural entre dominios, mejorando la precisión predictiva en tareas de destino y aportando explicabilidad sobre el espacio latente compartido.
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
Modelos y métodos
- Multi-dataset graph training
- Transferable node embeddings
Datos y evaluación
- Traffic forecasting graphs
- Generated subgraph dataset
Resumen del autor
Resumen del artículo
Graph forecasting models learn an embedding for each node, but those representations are often trained independently for every dataset. This study examines whether related spatiotemporal graphs can instead contribute to a shared representation. It constructs a training collection from subgraphs of several traffic datasets, trains an adapted model across those graphs and then transfers and fine-tunes the resulting embeddings on target forecasting tasks. An explainability analysis is used to examine how multi-dataset training changes the learned node space. The transferred embeddings improve prediction accuracy on several validation datasets and remain competitive on the others, supporting multi-graph training as a practical route to stronger reusable representations.
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 para verificar los datos finales de volumen y páginas antes de citar.