De Bruijn goes Neural：面向动态图上的时间序列数据的因果感知图神经网络

Sep, 2022

De Bruijn goes Neural: Causality-Aware Graph Neural Networks for Time Series Data on Dynamic Graphs

Lisi Qarkaxhija, Vincenzo Perri, Ingo Scholtes

TL;DRDe Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间 - 拓扑模式可以被有效提取和学习。

Abstract

We introduce de bruijn graph neural networks (DBGNNs), a novel time-aware graph neural network architecture for time-resolved data on dynamic gra

发现论文，激发创造

利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。

Oct, 2023

我们提出了 HYPA-DBGNN，一种新颖的两步方法，它结合了（i）基于统计学原则的零模型对图上时间序列数据中的异常顺序模式进行推断，（ii）利用捕捉到过度出现的顺序模式的高阶 De Bruijn 图的神经信息传递方法。

Jun, 2024

本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

Jan, 2023

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

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

本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

May, 2023

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

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

本文提出了一种名为 TDE-GNN 的模型，它可以捕捉超过典型的一阶或二阶方法的各种时间动力学，并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性，我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。

Jan, 2024

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