Sep, 2022

基于邻域感知的可扩展时序网络表示学习

PDF
TL;DR该研究提出一种邻域感知的时间网络模型，使用一种新颖的字典类型邻域表示方法，设计了一种数据结构支持字典表示在 GPU 上并行访问和更新，通过实验表明，该模型在节点链接预测准确性（对于在归纳和传递方式下）优于最先进的基线方法，可以实现该特征的速度提升，并可扩展到多个实际大规模时间网络中。
temporal networksrepresentation learningneighborhood-awarelink predictiondata structure
发现论文，激发创造
  • 循环时序修正图网络

    用递归神经网络对时态图的邻居进行汇聚，以获取来自每个节点的完整邻居信息，从而提供具有卓越的理论表达能力和在真实应用中的最先进性能，其中在一个真实世界的电子商务数据集上，相比于现有模型的 2 层模型，平均精确度显著提高了 9.6%。

    Sep, 2023

  • 面向自适应邻域的时序交互图建模

    在这篇论文中，我们通过引入自适应邻域编码机制来增强现有的时态图神经网络 (TGNs)，提出了 SEAN 模型，该模型可以无缝集成到现有的 TGNs 中，有效提升其性能。具体而言，该模型通过代表性邻居选择和时态感知邻域信息聚合两个阶段，实现自适应邻域编码的过程，从而在聚合过程中灵活利用重要的邻居信息，并适应性地选择和衰减过时信息，取得了出色的性能提升。我们在四个公共数据集和一个金融基准数据集上将 SEAN 与三种代表性 TGNs 进行了集成，并进行了大量的实验证明，SEAN 可以在所有模型上持续提高性能，达到顶级水平并具有出色的稳健性。

    Jun, 2024

  • 高效神经常见邻居用于时间图链接预测

    我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。

    Jun, 2024

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 用于动态表征的时间聚合和传播图神经网络

    本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。

    Apr, 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

  • 无监督时间序列表示学习与时空邻域编码

    本文提出了一种自监督学习框架 (Temporal Neighborhood Coding)，用于学习非平稳时间序列的可泛化表示，通过利用信号生成过程的局部平滑性定义时间上具有稳定性的邻域，使用无偏差对比目标，通过确保在编码空间中，邻域内的信号分布可与非邻域内的信号分布区分来学习时间序列表示，并在分类和聚类任务上表现出卓越的性能。

    Jun, 2021

  • 图邻域注意池化

    本研究提出了一种名为 GAP 的新型上下文敏感的算法，它使用注意力池化网络在不需要额外特征或社区检测算法的情况下，学习到了在节点邻域不同部分的出现概率，并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。

    Jan, 2020

  • 跳跃知识网络的图形表示学习

    该论文探究在图上实现深度学习表示学习的过程，提出了一种新型架构 - jumping knowledge networks（JK 网络），使每个节点可以利用不同的邻居范围以获得更好的结构感知表示，实现了最先进性能。同时，将 JK 框架与 Graph Convolutional Networks、GraphSAGE 和 Graph Attention Networks 等模型相结合，进一步提高了这些模型的性能。

    Jun, 2018

  • 通过脉冲神经网络扩展动态图表示学习

    介绍一种名为 SpikeNet 的可扩展框架，它旨在使用脉冲神经网络（SNNs）而非循环神经网络（RNNs）来捕获时变图的时变和结构模式，SpikeNet 在计算成本更低的情况下在时态节点分类任务上超过了强基线，并具有更少的计算负担。

    Aug, 2022