基于神经 ODE 的时态知识图预测

EMNLPJan, 2021

Temporal Knowledge Graph Forecasting with Neural ODE

Zhen Han, Zifeng Ding, Yunpu Ma, Yujia Gu, Volker Tresp

TL;DR本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型，通过图转换层捕获动态图的转换，实现对时间和结构信息进行连续时间动态嵌入，并在五个基准数据集上进行了大量实验证明，该模型在未来链接预测任务中具有卓越的性能。

Abstract

There has been an increasing interest in inferring future links on temporal knowledge graphs (KG). While links on temporal KGs vary continuously over time, the existing approaches model the temporal KGs in discrete state spaces. To this end, we propose a novel continuum model by extending the idea of neural ordinary differential equations (ODEs) to multi-rel

temporal knowledge graphs neural ordinary differential equations multi-relational graph convolutional networks graph transition layer future link forecasting

发现论文，激发创造

基于图结构的多元素 ODE 神经网络用于时空交通预测

本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

May, 2023

基于动态图神经 ODE 的多元时间序列预测

本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

Feb, 2022

不规则采样时间序列的时间图 ODE

通过引入时间图常微分方程（TG-ODE）框架，从不规则图流中学习时间和空间动态，验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。

Apr, 2024

面向交通流预测的时空图 ODE 网络

本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

基于注意力机制的时空图神经 ODE 用于交通预测

本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

May, 2023

关于微分方程启发的图神经网络的时域

本文提出了一种名为 TDE-GNN 的模型，它可以捕捉超过典型的一阶或二阶方法的各种时间动力学，并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性，我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。

Jan, 2024

神经跳跃常微分方程：一致连续时间预测和滤波

介绍了一种新的数据驱动方法 ——Neural Jump ODE (NJ-ODE), 该模型模拟了连续时间下的随机过程。该模型使用神经 ODE 模型建模两个观察值之间的条件期望，并在每次发现新的观察值时进行跳跃。实验结果表明该模型对于更复杂的学习任务优于现有的基准模型。

Jun, 2020

建模带有不确定性的时间知识图谱的演化

本研究采用新型 WGP-NN 图神经网络架构，结合高斯过程对事件发生概率的时间演化及其不确定性进行联合建模，能够在表示实体不确定性的基础上，预测未来链接的不确定性，并且可以连续时间建模 tKG 的复杂时空动态，经测试在两个真实世界基准数据集上表现出最先进的性能。

Jan, 2023

用于情节式知识图谱的嵌入模型

本文介绍了如何扩展静态知识图谱，使其适用于时间序列数据，以实现近似归纳推理。其中，提出的新型张量模型 ConT 在推理性能上表现出明显优势，同时还讨论了与我们的认知记忆有关的模型投影假设。

Jun, 2018

可解释的时间知识图谱推理用于未来链接预测

提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

Dec, 2020