AAAIFeb, 2019

EvolveGCN: 为动态图演变的图卷积网络

PDF
TL;DR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。
graph neural networktemporal dynamicsgraph convolutional networkdynamic graphevolvegcn
发现论文，激发创造
  • 学习图形的同时进行训练：一种进化的图卷积神经网络

    本文提出了更加普适和灵活的图卷积神经网络（EGCN），由任意形状的数据和它们的演化图拉普拉斯共同训练，以监督方式进行。通过对多个图结构数据集的大量实验，证明了此方法在加速参数拟合和显著提高预测精度方面具有优越性能。

    Aug, 2017

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • 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

  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • 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

  • 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

  • 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

  • GTAGCN：广义拓扑适应图卷积网络

    基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

    Mar, 2024

  • 演化图上 GNN 的微分几何视角与可解释性

    通过使用公理化归因，我们提出了一种平滑参数化的图神经网络（GNN）预测分布，在一个高维嵌入空间中的低维流形上进行。我们利用微分几何观点在流形上建模分布演化，通过重新参数化流形上的曲线族并设计一个凸优化问题，找到一个独特的曲线，以简洁地近似分布演化，以供人类解释。对于具有演化图的节点分类、链路预测和图分类任务的大量实验证明了所提方法相对于现有技术方法的更好的稀疏性、忠实性和直观性。

    Mar, 2024

  • 基于自适应 GCN 种群进化的自动图学习

    本文介绍了通过自动超参数优化实现对图卷积网络模型的训练，提出了自调节 GCN 算法和基于种群的训练算法，并在三个基准数据集上展示了优于其他代表性基线方法的优越性。

    Jul, 2021