KDDJul, 2021

在双曲空间中通过隐式分层学习进行离散时间网络嵌入

PDF
TL;DR本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。
representation learningtemporal networkshyperbolic geometrygraph neural networklink prediction
发现论文，激发创造
  • 在双曲空间中嵌入时态异构信息网络的 H2TNE 算法

    提出了一种基于双重随机游走策略和超伽马空间距离的超伽马异构时间网络嵌入模型，能够保留结构和语义信息，对于时间上的链接预测和节点分类取得了优秀的表现。

    Apr, 2023

  • HGWaveNet: 一种用于时间链路预测的双曲线图神经网络

    本文提出了基于超几何几何的 HGWaveNet 神经网络，该网络有效利用了超几何空间与数据分布的契合性进行时序边预测，通过设计 2 个关键模块，分别学习空间和时间信息，应用于保留了整个数据流中的分层结构信息，实现了对 6 个实际数据集的超几何拟合，将时序预测的 AUC 相对提高了高达 6.67%。

    Apr, 2023

  • 超几何变分图神经网络模型用于动态图建模

    本文提出了在超几何空间学习动态图形表示的方法，并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性，设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征，此外还引入了超几何正态分布的可重参数采样算法，用于使 HVGNN 具有梯度优化能力，并在现实数据集上的实验中取得了优于现有基线的效果。

    Apr, 2021

  • 双曲图卷积神经网络

    本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

    Oct, 2019

  • 双曲异质图注意力网络

    提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

    Apr, 2024

  • 超几何分层知识图谱嵌入的低维链接预测

    本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型（HypHKGE），以在超几何空间中有效地建模知识图中的语义层次结构，并在低维度下表现出色，特别是在链接预测方面。

    Apr, 2022

  • 拓扑指导的超图变换网络：揭示结构洞察以改进表示

    提出了一种拓扑引导的超图变换网络，通过保留结构本质学习图中的高阶关系，设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制，从语义和结构角度发现重要节点和超边。实验证明，所提模型在节点分类任务上的性能始终优于现有方法。

    Oct, 2023

  • 时态图上的归纳表示学习

    本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

    Feb, 2020

  • 一种双曲到双曲的图卷积网络

    本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。

    Apr, 2021

  • 将时间知识图嵌入异构几何子空间的产品空间中

    时态知识图谱以丰富的静态和动态时间模式为基础，并采用嵌入方法将时间事实映射到几个具有不同几何属性的异构几何子空间，并利用时间 - 几何注意机制方便地整合来自不同几何子空间的信息。

    Dec, 2023