本文提出了一种新的非局部信息聚合图神经网络(NLA-GNN)，它不仅可以聚合来自邻近节点的局部信息，还可以聚合来自远距离节点的非局部信息。具体来说，NLA-GNN中的局部聚合模块利用注意机制生成潜在有价值的元路径，并使用它们来聚合局部信息。非局部聚合模块采用两步方法，每一步都采用注意力引导的方法将节点排序到节点序列中，并使用为序列数据设计的方法进行信息聚合。在三个异构图数据集上的实验结果表明，NL

本周阅读了题为Failure Prediction for Large-scale Water Pipe Networks Using GNN and Temporal Failure Series的论文。这项工作开发了基于GNN的管网故障预测框架，整合管网特征、结构、地理及历史故障数据。创新构建图结构，优化GNN性能，引入时序故障学习模块。在双实际管网上验证效果卓越，辅助生成管道维护优先级，分析

本周主要学习了GNN网络，了解了两类GNN基础类型：继承CNN中的思路的Spatial-based convolution以及以信号处理中卷积操作的定义作为思路的Spectral-based convolution。主要认识了几种基于CNN思路的Spatial-based的GNN模型。之后完成了HW3，主要用了训练增强、focal loss、mixup、tta和残差神经网络。

搜索：“vmware for mac”，购买正版并下载，或通过其他渠道下载均可。

本文主要讨论Crossformer。首先本文简要介绍了self-attention的框架。其次本文展示了题为CrossFormer: A Versatile Vision Transformer Hinging on Cross-scale Attention的论文主要内容。该文提出了跨尺度嵌入层（CEL）和长短距离注意力（LSDA）。通过以上两种设计，该文实现了跨尺度的注意力。大量实验表明，Cr

本文内容分为主要三部分。首先，介绍了Spectral-Based Convolution基于谱域的卷积计算的GNN，了解了傅里叶变换的基本概念以及如何以其为基础构造卷积操作。简要了解了ChebNet对于两个问题的解决方案。简单介绍了GCN。其次，以pytorch_gerometric实现了GCN网络，基于ESOL数据集实现了根据分子结构预测可溶性。

本文主要讨论基于Transformer的空气质量预测。首先本文简要介绍了多头注意力机制（MSA）、 具有潜变量的变分模型。其次本文展示了题为AirFormer: Predicting Nationwide Air Quality in China with Transformers的论文主要内容。该文提出了一种名为 AirFormer 的新型 Transformer 架构，用于集体预测中国全国范围

本周阅读了题为A Joint Time-Frequency Domain Transformer for multivariate time series forecasting的论文。该文提出了一种联合时频域变换器（JTFT）。JTFT 使用少量可学习频率来利用频域 (FD) 中时间序列数据的稀疏性。此外，JTFT 还包含固定数量的最新数据点，以增强对时域局部关系的学习。这些设计降低了理论复杂性

本文主要讨论ARIMA模型和Clustering模型。本文简要介绍了龙格库塔方法。其次本文展示了题为Application of Time Serial Model in Water Quality Predicting的论文主要内容。该文提出一种结合自回归积分移动平均(ARIMA)和聚类模型的水质预测方法。以某流域水质监测数据为样本，选取水质总磷（TP）指数作为预测对象。实验表明，与ARIMA水

本周阅读了题为PM2.5 forecasting under distribution shift: A graph learning approach的论文。这项工作提出了一个新的PM2.5预测数据集，其特征是随时间的分布变化。使用这个新的基准，在两种数据分割设置(按时间分割和随机分割)下评估了一组基于图和非基于图的机器学习模型。第一种设置提出了分布移位的挑战，而第二种设置旨在消除分布移位的影响