时间图介绍:算法视角
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
本文是对临时图形神经网络的综合评述,主要介绍了学习设置和任务的严格形式化,以及一种新颖的分类方法来分类已有的方法,讨论了该领域的最相关的开放挑战。
Feb, 2023
本文通过概念为主的方法介绍了时态图学习(TGL),系统地讲解了理解 TGL 框架所必需的重要概念。除了定性解释,我们还结合数学公式,增强了文章的清晰度。由于 TGL 涉及时态和空间学习,我们介绍了相应的学习架构,从循环神经网络、卷积神经网络到 Transformer 和图神经网络。我们还讨论了经典的时间序列预测方法,以启发 TGL 的可解释性学习解决方案。
Jan, 2024
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
通过综合调查学习了时间知识图谱表示学习及其应用,包括定义、数据集、评估指标、核心技术分类、方法分析以及与时间相关的下游应用,并对未来研究方向进行了展望。
Mar, 2024
通过引入时间图常微分方程(TG-ODE)框架,从不规则图流中学习时间和空间动态,验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。
Apr, 2024