Jun, 2022

从城市到系列：利用复杂网络和深度学习改进空间和时间分析

PDF
TL;DR将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。
complex networksmachine learningepidemicshuman mobilityurban planning
发现论文，激发创造
  • 基于深度学习方法的时间复杂网络模型评估与异常检测

    基于深度学习的自动方法用于评估和检测演化网络的异常，结果显示该方法在不同数据集上的误差率测量中优于其他方法。

    Jun, 2024

  • 复杂网络的人工智能：潜力、方法论和应用

    复杂网络科学中的人工智能潜在优势、关键研究问题和方法学及应用的综述。

    Feb, 2024

  • 利用复杂网络方法进行基于重复出现的时间序列分析

    本文概述了基于复杂网络的时间序列分析方法，着重介绍了以复归图为基础的方法，探讨了各个方法的潜力和局限性，并通过动力系统和实际时间序列的典型例子说明了复杂网络测量可以提供其他线性和非线性方法所未能提供的结构特征信息。

    Oct, 2010

  • 空间网络

    本文综述了当前关于空间约束如何影响网络结构和属性的认识，包括空间网络的拓扑结构、空间网络模型，以及在该类网络上发生的各种过程，如相变、随机漫步、同步、导航、弹性和疾病传播等。

    Oct, 2010

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了 ' 图翻译器 '，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 深度时空图建模的图卷积网络 (Graph WaveNet)

    本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

    May, 2019

  • 使用时空图神经网络检查 COVID-19 预测

    本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

    Jul, 2020

  • 利用复杂网络分析和建模现实现象：应用综述

    通过分析复杂网络在各种真实世界问题和数据的表示、分析和建模方面的应用，介绍其主要概念和模型，并调查了一系列现象，对其应用于新理论方法和应用于实际问题的潜力进行评估。

    Nov, 2007

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 动态图上的机器学习：应用综述

    动态图学习具有重要意义，可以有效地模拟不同领域中实体之间错综复杂的相互关系，此研究论文回顾了动态图学习的较少探索的应用，并揭示了机器学习在动态图领域所面临的挑战及其潜力。

    Jan, 2024