Jul, 2022

带动态图特征的决策树

PDF
TL;DR引入决策树与动态图特征相结合的 TREE-G 模型，它不仅考虑了预定义的数据特征，而且结合了顶点特征、图拓扑信息和树的累积信息进行预测任务，同时还提供了可解释性机制，实验结果表明 TREE-G 在多个图和节点的预测基准实验中表现出较高的性能和准确度。
decision treesgraph-structured datadynamic featurespredictive taskexplainability mechanism
发现论文，激发创造
  • 动态图神经网络调查

    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

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 神经网络下的动态图表征学习：综述

    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

  • 流式图神经网络

    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

  • 动态图的表示学习：一项综述

    本篇综述论文回顾了近期对动态图表示学习的研究进展，包括对动态知识图谱的研究，将现有模型从编码器 - 解码器的角度进行描述和分类，并分析了每个类别中采用的技术，同时还回顾了几个显著的应用和广泛使用的数据集，并突出了未来研究的方向。

    May, 2019

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • 动态图的深度学习：模型与基准

    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

  • DyGPrompt：在动态图上学习特征和时间提示

    本研究提出了一种针对动态图建模的新型预训练和提示框架 ——DyGPrompt，通过在任务目标和动态变化之间设立双重提示，以及利用节点和时间特征相互刻画的双重条件网络，来有效填补现有静态图的预训练模型在节点分析等下游任务中的缺口。通过在三个公共数据集上进行广泛实验评估和分析，证明了 DyGPrompt 的有效性。

    May, 2024

  • 大规模动态图的解耦图神经网络

    本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

    May, 2023

  • TCL: 基于 Transformer 动态图对比学习建模

    本文介绍了一种新颖的图神经网络方法，基于图转换器，引入了两个流编码器，另外通过对比学习来使动态表示具有高级别 (或全局) 语义，提高了交互预测的准确性。

    May, 2021