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
本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述,旨在解决跨学科研究和术语不一致等挑战。
May, 2020
通过动态神经网络中的 skimming 这个研究方向,可以很好地解决预训练语言模型参数过多的问题,实现神经网络的有效扩展,为处理自然语言提供有效的支持。
Feb, 2022
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
本文通过对时空信息学习的先进优势进行调查和性能比较,为动态图形表示学习领域建立坚实的基础,以促进该领域的研究
Jul, 2023
从动力系统理论的角度考虑神经网络,本文回顾了有关特定模型下以下问题的最新结果:1. 集体动力学的表征;2. 数据分析中脉冲列的统计分析;3. 动力学与网络结构的相互作用;4. 突触可塑性效应。
Jan, 2009
介绍了一种称为 “dynamic batching” 的技术,它可以通过组合块来简化动态图形模型的创建,并支持各种不同类型的输入图形的批处理实现。
Feb, 2017
通过对三个模型和两个数据集进行评估,我们发现从 DyNNs 到 SDNNs 的攻击传递性高于从 SDNNs 到 DyNNs 的攻击传递性,以及 DyNNs 可以更高效地生成对抗样本。然后,通过研究,我们提供了增强 DyNNs 对静态模型生成的攻击的鲁棒性的设计选择的见解,并提出了一种新的攻击方法来理解动态机制引入的额外攻击面并提供提高抵抗攻击的设计选择。
Aug, 2023
介绍一种新的动态滤波网络架构,使得学习的滤波器可以根据输入动态生成,具有高度适应性,且不会过多增加模型参数。通过可视化学习到的滤波器,证明该网络可以在无标签数据上学习信息,从而可以用于各种无监督预训练任务,例如光流和深度估计。
May, 2016