使用动态图神经网络的动态网络基础和建模:一项综述
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
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
本文回顾了动态图学习的问题和模型,分析和讨论了各种动态图的监督学习设置,并确定了现有模型的相似之处和不同之处,最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。
Apr, 2023
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
本文综述了动态神经网络在深度学习领域的最新研究进展和主要研究方向,分析了其在计算效率和适应性等方面的优势,总结了架构设计、决策方案、优化技术和应用开发等方面的研究问题以及未来发展的方向。
Feb, 2021
本文总结和分类大规模图神经网络解决方案的重要方法和技术,并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。
May, 2023
本文是对临时图形神经网络的综合评述,主要介绍了学习设置和任务的严格形式化,以及一种新颖的分类方法来分类已有的方法,讨论了该领域的最相关的开放挑战。
Feb, 2023
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