Mar, 2008

GraphStream：连接复杂系统与动态图的工具

PDF
TL;DR本论文探讨了复杂系统的建模与分析，使用动态图模型，基于 Java 的 GraphStream 库提供了动态问题建模和经典图形处理的工具，并依靠事件驱动引擎实现。
complex systemsemergent propertiesdynamic graphsgraphstreamevent-based engine
发现论文，激发创造
  • 大规模动态图的解耦图神经网络

    本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

    May, 2023

  • 时态网络

    该文章探讨了时间网络的新兴领域，讨论了分析拓扑结构和时间结构的方法以及阐述它们与动态系统行为的关系，并指出与静态网络不同，由于在时间网络中有些基本属性不一定成立，因此需要创新性的方法来研究分析。

    Aug, 2011

  • 流式图神经网络

    本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

    Oct, 2018

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了 ' 图翻译器 '，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 对图中时间马尔可夫动态进行编码以用于可视化和挖掘时间序列数据

    利用一阶马尔可夫过程基于复杂网络来可视化时间序列，以更好地保留时间依赖性和频率结构，并提供更好的可视化探索和统计分析。

    Oct, 2016

  • 时间图：基于图的时间推理

    提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

    Jan, 2024

  • XFlow：基于图的流行为基准测试

    我们提出了一种新颖的基准套件，涵盖了各类任务、基准模型、图形数据集和评估工具，并提供了一个广义方法来处理不同域中与流相关的任务，作为蓝图和路线图。

    Aug, 2023

  • ChatGraph: 与您的图形交谈

    使用基于大型语言模型的 ChatGraph 框架，用户可以通过自然语言与图形进行交互，更加易于使用和灵活，通过理解用户的输入提示文本和图形，ChatGraph 生成图分析 API 链。

    Jan, 2024

  • GraphStorm: 为工业应用而设计的一体化图机器学习框架

    GraphStorm 是一个端到端的解决方案，提供可扩展的图构建、模型训练和推理，并具有易于使用、适用于海量数据集和扩展性强的特性。

    Jun, 2024

  • 机器学习的图信号处理：一份综述和新视角

    该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来 GSP 技术发展的新视角，以解锁在现代数据分析中的许多挑战。

    Jul, 2020