KDDMay, 2019

预测时变图中路径失败

PDF
TL;DR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。
time-evolving graphpath classificationdeep neural networklong short-term memory r-gcnself-attentive path embedding
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于演化表征学习的时间知识图谱推理

    本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型，以有效地模拟序列的历史事实，捕捉结构依赖性和时间上邻近事实的时序模式，并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式，从而显著提高了六个基准数据集上的时间推理任务的性能和效率。

    Apr, 2021

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 基于骨架的动作识别的时序图建模

    本篇文章介绍了一种称之为 Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

    Dec, 2020

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 演化图中的时间推广估计

    图神经网络在各个领域得以广泛应用，但面对图演变时往往难以保持准确的表示。本文从信息论的角度分析表示失真，并通过自监督图重构引入了一个简单而有效的基线方法 Smart，该方法通过自适应特征提取器提供了出色的泛化估计性能，实证结果表明其在真实演化图上的估计表现出优异的准确度。

    Apr, 2024

  • PathSAGE: 随机路径采样的空间图注意力神经网络

    本文介绍一种名为 PathSAGE 的模型，它使用 Transformer 编码器聚合从中心节点开始的路径样本，以学习高阶拓扑信息，提高模型的性能，并避免了太深的 GCNs 可能会遇到的 “邻居爆炸” 和 “过度平滑” 问题，同时在归纳学习任务中达到了与最先进模型相当的性能表现。

    Mar, 2022