Dec, 2018

网络重构与动态学习的通用深度学习框架

PDF
TL;DR通过提出 Gumbel Graph 网络 (GGN) 框架，我们展示了一种模型自由、数据驱动的深度学习方法，可用于重建网络连接并预测时间序列的状态。该框架在连续、离散、二进制等不同类型的时间序列数据上展现了显著的对比优势。
发现论文，激发创造
  • 利用图神经网络将随机动态系统学习作为隐式正则化

    该论文提出了一种基于 Gumbel 图网络的随机模型，能够学习高维度时间序列，捕捉随机性和空间相关性，通过 Kuramoto 的模型比较了两个损失函数的 Hessian 矩阵，实验证明该模型在收敛性、稳健性和泛化性方面都具有优势。

    Jul, 2023

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 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

  • 使用动态图神经网络的动态网络基础和建模：一项综述

    本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述，旨在解决跨学科研究和术语不一致等挑战。

    May, 2020

  • 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

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • 基于动态因果解释的扩散 - 变分图神经网络用于时空预测

    本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

    May, 2023

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • 动态图神经网络综述：模型、框架、基准、实验与挑战

    本文通过对 81 个动态 GNN 模型、12 个动态 GNN 训练框架和常用基准进行了全面的比较分析和实验评估，在对六个标准图数据集上测试了九个代表性的动态 GNN 模型和三个框架。评估指标包括收敛精度、训练效率和 GPU 内存使用情况，从而实现了对各种模型和框架性能的全面比较。通过分析和评估结果，我们确定了关键挑战，并提出了未来研究的原则，以增强动态 GNN 领域模型和框架的设计。

    May, 2024

  • 解放图神经网络：摆脱繁琐调整

    为了解决图神经网络的高计算成本和高人力成本问题，本研究提出了一种图条件潜在扩散框架（GNN-Diff），通过从粗略搜索中学习保存的检查点直接生成高性能的图神经网络，不需进行复杂的调参和搜索空间设计，比传统的扩散框架在生成高质量的图神经网络方面具有更好的表现。

    May, 2024