通过联合建模多元关系结构演化进行时间属性预测
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
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
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
TimeGNN 是一种学习动态时间图表示的方法,能够捕捉多个系列的相关性和交互模式的演变,并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023
该研究提出了一种面向多变量时间序列数据的图神经网络框架,采用图学习模块提取自动生成的变量之间的关系,同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性,而这些模块被联合学习在一个端对端框架中。实验结果表明,该模型的性能在 3 个基准数据集上优于现有最先进方法,并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020
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
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
本文提出了一种能够通过关系推理和适应性地进化交互图,预测多个异构交互代理的轨迹的通用轨迹预测框架,其在多个真实世界基准数据集中取得了最先进的预测准确性表现。
Mar, 2020