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
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
本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述,旨在解决跨学科研究和术语不一致等挑战。
May, 2020
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
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
本文提出了一种基于张量图卷积网络的动态图表示学习模型,通过在张量乘积的基础上设计张量图卷积网络来同时建模时空特征,实验结果表明我们的模型获得了最先进的性能。
Jan, 2024
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
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。
本文通过对 81 个动态 GNN 模型、12 个动态 GNN 训练框架和常用基准进行了全面的比较分析和实验评估,在对六个标准图数据集上测试了九个代表性的动态 GNN 模型和三个框架。评估指标包括收敛精度、训练效率和 GPU 内存使用情况,从而实现了对各种模型和框架性能的全面比较。通过分析和评估结果,我们确定了关键挑战,并提出了未来研究的原则,以增强动态 GNN 领域模型和框架的设计。
May, 2024
该研究论文提出了一种名为动态神经图网络(Dynamic Spiking Graph Neural Networks)的框架,用于解决动态图表示学习中的信息丢失和内存要求问题,通过将早期信息直接传递到最后一层以进行信息补偿,并在动态图环境中扩展了隐式微分以适应内存要求,并通过在三个大规模实际动态图数据集上的大量实验证明了其在动态节点分类任务上的有效性与较低的计算成本。
Dec, 2023