Aug, 2019

变分图循环神经网络

HTML
PDF
TL;DR本文提出一种新的层级变分GRNN模型，引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新VGRNN架构（SI-VGRNN）并在多个真实世界的动态图数据集上进行实验，结果表明SI-VGRNN和VGRNN在动态链接预测中连续优于现有基线和最先进的方法。
发现论文，激发创造
  • 用变分循环神经网络进行图分类

    本文提出了一种基于自然语言处理技术的图分类方法，使用结构信息嵌入，采用类似于NLP的证明技术，对几个标准分子数据集进行了实验，取得了最先进的分类结果，并对节点预测是否有助于更好地分类图进行了定性分析。

    Feb, 2019

  • 连续图神经网络

    本文提出了一种连续图神经网络(CGNN)，可以广泛应用于现有的离散动态的图神经网络，并能够捕捉节点之间的远距离依赖关系。实验结果表明，相对于竞争基线，该方法在节点分类任务上是有效的，且具有抗过度平滑的特性。

    Dec, 2019

  • 超几何变分图神经网络模型用于动态图建模

    本文提出了在超几何空间学习动态图形表示的方法，并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性，设计了基于HVGNN的超几何图像变分自编码器用于生成具有随机性质的节点表征，此外还引入了超几何正态分布的可重参数采样算法，用于使HVGNN具有梯度优化能力，并在现实数据集上的实验中取得了优于现有基线的效果。

    Apr, 2021

  • ROLAND: 动态图的图学习框架

    ROLAND是一种有效的图表示学习框架，具有可重用静态图到动态图的能力，采用分层节点状态并在时间上进行递归更新的方法来处理动态图，并提出了一种逐步训练和元学习的可扩展且高效的动态GNNs训练方法，其在8个动态图数据集上的实验证明，ROLAND模型相对于基线有最高62.7%的相对平均倒数排名改进。

    Aug, 2022

  • 带边时序动态图表示学习的循环变换器

    这篇论文提出了一个结构强化的图转换器框架，包括一种循环学习范式和显式建模边缘时间状态的方法，证明在离散动态图形表示学习方面RDGT优于竞争方法。

    Apr, 2023

  • 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

  • 动态图的深度学习: 模型与基准

    本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

    Jul, 2023

  • 图变分扩散网络实现鲁棒节点表示学习

    我们通过使用图神经网络（GNNs）进行节点表示学习，并结合高斯噪声来保护鲁棒性并减轻过度平滑问题，提出了一种名为Graph Variational Diffusion Network（GVDN）的新型节点编码器。

    Dec, 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

  • 朝向图形上的动态消息传递

    本研究解决了图神经网络中消息传递过度依赖输入拓扑的问题，导致其有效性下降。我们提出了一种新颖的动态消息传递机制，利用可学习的伪节点与图节点在共同空间中的可测关系，促进了灵活的消息传递路径构建。实验表明，我们开发的模型$\mathtt{\mathbf{N^2}}$在多个基准测试中表现优越，并且在参数需求上显著降低，适应大规模图分类任务。

    Oct, 2024