ETD

• apprendimento automatico
• apprendimento continuo
• apprendimento episodico
• apprendimento incrementale
• apprendimento online
• apprendimento sequenziale
• artificial intelligence
• autoregressive task
• continual learning
• dynamic graph
• dynamic graph echo state network
• elastic weight consolidation
• energy production forecasting
• episodic learning
• grafi dinamici
• incremental learning
• intelligenza artificiale
• learning without forgetting
• lifelong learning
• machine learning
• meteo forecasting
• online learning
• previsione del traffico
• previsione della produzione energetica
• previsione meteorologica
• replay based methods
• reservoir computing
• reti neurali per grafi spazio-temporali
• sequence learning
• spatio temporal graph neural network
• task autoregressivo
• traffic forecasting

La tesi propone un approccio efficiente di continual learning per grafi spazio-temporali in ambienti non stazionari, basato su una Dynamic Graph Echo State Network con readout incrementale allenato tramite regressione esatta. La tesi introduce un framework per la validazione e valutazione del continual learning per task autoregressivi su grafi spazio-temporali. Il metodo proposto è stato confrontato con modelli allenati end-to-end noti allo stato dell’arte, addestrati con diverse tecniche baseline e di continual learning, in scenari caratterizzati da stagionalità.

This thesis presents an efficient approach to continual learning for spatio-temporal graphs in non-stationary environments. This approach is based on a dynamic graph echo state network with incremental readout, which is trained using exact regression. It introduces a framework for the validation and evaluation of continual learning for autoregressive tasks on spatio-temporal graphs. The proposed method was compared with state-of-the-art end-to-end models that were trained using different baseline and continual learning techniques, in scenarios characterised by seasonality.