Aug, 2022

DisenHCN: 面向时空活动预测的解缩关系超图卷积网络

PDF
TL;DR本文介绍了一种名为 DisenHCN 的超图神经网络模型，用于预测用户在特定位置和时间的活动，该模型通过聚合不同方面的特征，捕获了不同方面的高阶关系并解开了每个方面对最终预测的影响，从而弥补了现有解决方案的不足，并在四个真实数据集上优于最先进方法 14.23％到 18.10％。
spatiotemporal activity predictionhypergraph neural networkfine-grained user similarityuser representationshigh-order relations
发现论文，激发创造
  • DisenHAN: 面向推荐的解耦异质图注意力网络

    本研究提出了一种新的分离异构图注意力网络 DisenHAN，可以从不同方面学习异构信息网络中的用户 / 项目表示，并使用高阶元关系分解元路径，聚合每个元关系的相应特征，以实现更好的推荐效果。

    Jun, 2021

  • HAR-GCNN: 利用深度图卷积神经网络从高度未标记的移动传感器数据中识别人类活动

    提出了一种基于深度图卷积神经网络的人体活动识别方法（HAR-GCCN），该方法利用传感器测量之间的时间相邻性来预测未分类活动的正确标签。通过新的训练策略和数据集，该方法在多个数据集上展现了比现有基线方法优越约 25％和高达 68％的分类准确性。

    Mar, 2022

  • 异质图的分离式双曲线表征学习

    本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

    Jun, 2024

  • DyHGCN: 一种用于学习用户动态喜好的动态异构图卷积网络，用于预测信息扩散

    该研究提出了一种基于动态异质图卷积网络 (DyHGCN) 的信息扩散预测方法，结合社交网络和动态扩散图，编码时间信息以学习用户的动态偏好，并应用多头注意力来捕捉当前扩散路径的上下文依赖性，实验结果表明 DyHGCN 在三个公共数据集上明显优于现有的模型，这显示了该方法的有效性。

    Jun, 2020

  • 时空动作图网络

    提出了一种基于解离图嵌入的物体相互作用图形表示，用于活动识别，该模型通过事实嵌入图结构来解开空间维度与时间变化之间的表示层次结构，并在 Charades 活动识别基准测试以及聚焦于与近碰撞事件的多物体交互的新数据集上进行了验证。

    Dec, 2018

  • DD-GCN: 基于有向扩散图卷积网络的基于骨骼的人体行为识别

    构建了指向性扩散图进行动作建模，引入了活动分割策略以优化图卷积核的权重共享机制，提出了时空同步编码器用于嵌入同步时空语义，并通过在三个公共数据集上的实验验证了我们方法的最先进性能。

    Aug, 2023

  • 解缠空间时间图生成模型

    该论文旨在通过使用新的解缩深度生成模型，将时空图分解成空间，时间和图形因素以及解释它们之间相互作用的因素，并使用情报瓶颈理论来最大化这些因素之间的解缠，通过定性和定量实验，在合成和现实世界数据集上展示了该模型优于现有技术的表现。

    Feb, 2022

  • 视频活动定位的时间上下文网络

    该研究提出了一种基于 Temporal Context Network 的方法，能够精确地定位人类活动的时间，并在两个数据集上优于当今最先进的方法。

    Aug, 2017

  • 解耦欠完全：基于小波注入的多层异构网络用于不完善可穿戴传感器数据中的人体活动识别

    利用多级离散小波分解从传感器数据中提取多分辨率特征进行传感器数据分析的多级异构神经网络（MHNN）模型，在使用七个公开可用数据集的实验研究中证明了 MHNN 在应对缺失值和噪声方面的优越性，并通过消融研究证实了每个模块的重要性。

    Jan, 2024

  • 用于动态推荐系统的分层时间卷积网络

    本研究提出了一种使用 Hierarchical Temporal Convolutional Networks (HierTCN) 的推荐系统，以动态预测用户将选择的下一个物品，该模型由两个级别的模型组成，可用于拥有大量用户和物品的 Web 规模系统，并可以超越动态推荐方法的最新水平。

    Apr, 2019