Nov, 2020

APAN：用于实时时态图嵌入的异步传播注意力网络

PDF
TL;DR提出了一种异步连续时间动态图算法：Asynchronous Propagation Attention Network，能够解决传统图模型中速度慢的查询 k - 跳邻居的问题，同时将模型推理步骤从图计算步骤中分离出来，以实现更快速的实时图嵌入。实验结果表明，该方法具有较强的性能表现和 8.7 倍的推理速度提升。
发现论文，激发创造
  • 用于动态表征的时间聚合和传播图神经网络

    本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。

    Apr, 2023

  • 重新思考大规模图学习中的节点传播

    基于可扩展图神经网络的自适应拓扑感知传播 (ATP) 提高了运行效率和预测性能，减少了潜在的高偏差传播，并以可插入式的节点传播优化策略无缝集成于大规模图神经网络，同时解决了冗余计算成本。

    Feb, 2024

  • EANet: 在线轨迹预测的专家注意力网络

    基于 Hedge Propagation 算法的启发，我们提出了 Expert Attention Network，它是一种完整的在线学习框架，用于轨迹预测。我们引入了专家注意力机制，通过调整不同深度网络层的权重，避免了由于梯度问题导致模型更新缓慢，使其能够快速学习新场景的知识以恢复预测精度。此外，我们提出了一种对场景变化敏感的短期运动趋势核函数，使得模型能够快速响应。实验结果表明，传统方法存在梯度问题，而我们的方法可以快速减小预测误差并达到最先进的预测准确性。

    Sep, 2023

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • 基於明確時間嵌入的級聯注意網路用於信息流行度預測

    基于时间嵌入的级联注意力网络（TCAN）是一个面向大规模信息网络的新型流行度预测架构，通过将时间属性嵌入到节点特征中，并利用级联图注意力编码器（CGAT）和级联序列注意力编码器（CSAT）来完全学习级联图和级联序列的表示，从而实现对信息流的预测。

    Aug, 2023

  • 基于节点自适应传播的加速可扩展的图神经网络推理

    大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

    Oct, 2023

  • 利用图注意力网络和强化学习分析以优化网络效率和可扩展性的以太坊网络信息传播

    该研究提出了一种创新方法，利用图卷积网络（GCNs）分析以太坊网络中的信息传播模式，通过开发结合图注意力网络（GAT）和强化学习（RL）的模型以优化网络效率和可扩展性，从而实现信息在网络中的有效传播，优化区块处理的燃气限制并提高网络效率。

    Nov, 2023

  • 图注意力多层感知机

    本文提出了一种新的图神经网络架构 - 图注意力多层感知器（GAMLP），并在多个真实世界数据集和大规模工业数据集上进行了评估，证明了 GAMLP 在扩展性和效率方面具有最先进的性能。

    Jun, 2022

  • PushNet：高效且自适应的神经消息传递

    本文介绍了一种异步信息传递算法，利用单个同步信息传递迭代来推动最相关的边，使用基于有意义的稀疏节点邻域的节点自适应接受场，通过学习和组合不同大小邻域上的节点表示来捕获多尺度的相关性，并在五个现实世界数据集上提出了半监督节点分类的竞争对手，具有明显的统计优势和更快的运行时间。

    Mar, 2020

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

    Feb, 2023