Dec, 2018

GC-LSTM: 基于图卷积嵌入的 LSTM 模型进行动态链接预测

PDF
TL;DR本文提出了 GC-LSTM 动态网络链路预测方法，结合 Graph Convolution Network 和 LSTM 网络实现了对动态网络添加和删除链路的预测，并通过实验验证了其优于当前最优方法。
dynamic link predictioncomplex networksgc-lstmgraph convolution networkend-to-end
发现论文，激发创造
  • E-LSTM-D：用于动态网络链接预测的深度学习框架

    本文利用深度学习中的长短时记忆（LSTM）算法，提出了一种新的编码 - 时间序列解码（Encoder-LSTM-Decoder, E-LSTM-D）深度学习模型，能够在一个统一的框架内自动学习结构和时间特征，有效地处理动态网络中的链接预测问题，实现了非常优异的预测效果。

    Feb, 2019

  • 时间网络嵌入动态下的时间链接预测

    通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

    Jan, 2024

  • 半监督图嵌入动态链接预测方法

    我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

    Oct, 2016

  • 动态图中的链接预测用于推荐

    本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。

    Nov, 2018

  • 时序图网络中新节点的动态链接预测

    使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。

    Oct, 2023

  • EvolveGCN: 为动态图演变的图卷积网络

    本研究提出一种新的方法 EvolveGCN，其结合了时间因素和图卷积网络 (GCN) 模型，利用循环神经网络 (RNN) 来推动 GCN 参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

    Feb, 2019

  • 预测时变图中路径失败

    本篇论文介绍了用时间演化图对现实中的网络进行建模，并研究了时间演化图中路径分类问题的应用，设计了一种新颖的深度神经网络 LRGCN 和路径表示方法 SAPE，实验结果表明 LRGCN 在路径预测方面比其他竞争方法更有效，SAPE 在路径表示方面也表现出显著的效果。

    May, 2019

  • 动态图卷积网络

    该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图，通过实验结果证明了这种方法的优越性。

    Apr, 2017

  • 基于注意力 - GCN-LSTM 的配电网络短期多时段线损率预测

    本研究提出了 Attention-GCN-LSTM，一种结合了图卷积网络 (GCN)、长短期记忆 (LSTM) 和三层注意机制的新方法，以准确预测分布网络中线路损耗率的短期多时间跨度。通过捕捉空间和时间相关性，我们的模型能够在多个时间跨度上准确预测线路损耗率。通过对来自 10KV 馈线的真实数据进行全面评估，我们的 Attention-GCN-LSTM 模型始终优于现有算法，在预测准确性和多时间跨度预测方面表现出卓越性能。该模型对于提升分布网络中的线路损耗管理具有重要意义。

    Dec, 2023

  • 探究图像关系以用于图像描述

    本文介绍了一种利用图卷积网络和长短期记忆（GCN-LSTM）结构，将语义和空间对象关系集成到图像编码器中，以生成图像标题的新方法，并在 COCO 图像字幕数据集上开展了广泛的实验，并取得了比现有方法更好的结果。

    Sep, 2018