本研究探讨了动态图数据上节点特征生成机制的学习问题,并提出了一种连续得分优化方法,名为 GraphNOTEARS,该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构,可以在一个简洁的方式下展现特征生成过程。实验表明,该算法在模拟数据方面表现优异,并能够学习到来自真实世界数据集的节点之间的联系。
通过将上下文特征映射到加权邻接矩阵上的有向无环图(DAG),并利用具有新颖投影层的神经网络,我们提出了一种处理上下文 DAG 问题的方法,该方法确保输出矩阵稀疏并满足无环性质的最近发展算法,并为学习上下文 DAG 提供了可伸缩的计算框架,同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明,这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。