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
本文提出了一种名为动态集群结构约束模型(DyCSC)的新型时间网络嵌入方法,旨在通过对节点在网络中朝给定数量的簇的趋势施加时间约束来捕捉时间网络的演变。实验结果表明,DyCSC 在多个实际数据集上表现出优越性,它在多个时间链接预测任务中始终大幅优于竞争方法。此外,消融研究进一步验证了所提出的时间约束的有效性。
Oct, 2022
本文研究动态网络嵌入的问题,通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵,实现对动态网络中节点的解释性和强大的嵌入表示,提供理论保证和假设测试框架以评估动态网络嵌入质量,并证明我们提出的稳定展开方法不仅更易解释,而且比不稳定方法更有表现力。
Nov, 2023
基于控制理论,我们提出了一种描述节点间动态相似性的时间依赖动态相似度度量,该度量可用于减少复杂系统网络的描述,并可用于发现功能模块。通过案例研究,我们展示了该方法在不强连通的有向网络和带符号网络上的应用,并将社区检测方法与控制理论相结合。
Apr, 2018
本文提出了一种基于潜在空间的统计模型,用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析,该模型可应用于社区检测和链路预测等任务,并与现有方法相比表现出更好的效果。
Feb, 2018
该论文提出了一种用于动态图的时间感知变压器来嵌入顶点表示的方法,该方法使用时间边缘序列来维护异步结构演变,并在多个数据集上展示了其在图挖掘任务中的优越性能。
Jul, 2022
本文介绍了一种动态网络嵌入方法 dynnode2vec,解决了静态网络嵌入方法在动态网络上运用的问题,并在多个大型动态网络数据集上进行了实证评估。
Dec, 2018
通过深入分析现代时间相关神经网络的结构,研究报告了一个时间相关神经网络的时间感知关键缺陷,该缺陷同样存在于扩散模型中,同时提供了几种解决方案以改善问题根源,并通过对神经常微分方程和扩散模型的实验验证表明,保证时间感知能力可以提升它们的性能,暗示了它们当前的实现缺乏足够的时间依赖性。
May, 2024
基于嵌入方法的动态图形表示学习,结合密集和递归层,研究动态图形中的链路预测问题,并在两个真实数据集上验证了其优越性。
Sep, 2018
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