Aug, 2021

时序图网络嵌入与因果匿名遍历表示

PDF
TL;DR本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。
graph machine learningdynamic networktemporal graph networknode classificationlink prediction
发现论文，激发创造
  • 通过因果匿名漫步进行时态网络中的归纳表征学习

    本文介绍了一种基于 Causal Anonymous Walks (CAWs) 的神经网络模型 CAW-N，用于利用匿名化的时空随机游走来表示动态网络，支持联机训练和推理，并在链接预测方面表现出优秀的性能。

    Jan, 2021

  • 时变图的图级嵌入

    本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。

    Jun, 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

  • 匿名游走嵌入

    该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。

    May, 2018

  • 时序图上的节点嵌入

    该论文提出了一种节点嵌入方法，通过学习时间图的节点和边的演变，利用一种时间节点嵌入模型进行不同的图形预测任务，并通过合并历史嵌入，优化每个特定任务来创建一个节点的时间嵌入。评估表明，与竞争基线和算法替代方案相比，我们的算法在许多数据集和基线上都显示出性能改进，并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。

    Mar, 2019

  • 时间网络嵌入动态下的时间链接预测

    通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

    Jan, 2024

  • 时序网络的高斯嵌入

    TGNE 是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

    May, 2024

  • 基于嵌入的时态图距离

    使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离，研究了匹配图和不匹配图的情况，并展示了该距离定义对于具有不同结构和时间特性的图的区分能力，并提出了一种适用于大规模暂态图的有效距离计算实现，并利用先进的机器学习技术进行了优化。

    Jan, 2024

  • 采用图网络和时序引导嵌入的时空数据需求预测

    本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

    May, 2019

  • TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长

    开发了一种具有不确定性量化的图嵌入模型 TransformerG2G，通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文（在时间戳 [$ t-1，t-l $] 上，$ l $ 是上下文的长度）中首先学习中间节点表示。

    Jul, 2023