Feb, 2019

E-LSTM-D：用于动态网络链接预测的深度学习框架

PDF
TL;DR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。
link predictiondynamic networkslong short-term memoryencoder-lstm-decoderdeep learning
发现论文，激发创造
  • GC-LSTM: 基于图卷积嵌入的 LSTM 模型进行动态链接预测

    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。

    Dec, 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

  • 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

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • DA-LSTM: 基于 LSTM 网络的区间负荷预测的动态漂移自适应学习框架

    本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

    May, 2023

  • 用于整个网络交通速度预测的深度双向和单向 LSTM 递归神经网络

    本文提出了一种基于深度双向和单向 LSTM 神经网络的交通速度预测模型，该模型可以处理缺失值，适用于高速公路和城市道路等复杂网络，比其他模型更准确和稳健。

    Jan, 2018

  • DYAN: 基于动态原子的视频预测网络

    DYAN 是一种基于系统识别理论的新型网络，通过设计良好的编码器和解码器，能够快速、准确地预测视频帧，且在多个数据集上表现优异。

    Mar, 2018

  • 动态网络中的非参数链路预测

    提出了一个基于非参数方法的链接预测算法，该算法结合了端点特征和端点周围邻居的特征，可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现，实验证明该方法表现优于现有算法。

    Jun, 2012