Apr, 2023

用于动态表征的时间聚合和传播图神经网络

PDF
TL;DR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。
temporal graphdynamic representationtemporal aggregationpropagation graph neural networksonline inference
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

  • APAN：用于实时时态图嵌入的异步传播注意力网络

    提出了一种异步连续时间动态图算法：Asynchronous Propagation Attention Network，能够解决传统图模型中速度慢的查询 k - 跳邻居的问题，同时将模型推理步骤从图计算步骤中分离出来，以实现更快速的实时图嵌入。实验结果表明，该方法具有较强的性能表现和 8.7 倍的推理速度提升。

    Nov, 2020

  • 自适应图增强变压器生成时序动作建议

    利用增强型 Transformer 和自适应图卷积网络来生成明确涉及情境且复杂的视频中的动作提议，以提高提议质量和保持本地上下文关联性。通过 THUMOS14 和 ActivityNet1.3 数据集的实验验证，该方法优于目前的 TAPG 模型。

    Mar, 2021

  • 交通预测的自适应图卷积循环网络

    本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

    Jul, 2020

  • 基于节点自适应传播的加速可扩展的图神经网络推理

    大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

    Oct, 2023

  • 基于 Transformer 的时域动作提议生成

    本文提出了一种使用 Transformer 网络的统一的时间动作提议生成框架，通过 Boundary Transformer 预测边界信息和 Proposal Transformer 学习关系以实现可靠的置信度评估，结果表明，此方法在时间动作本地化任务上表现出色。

    May, 2021

  • 演化图中的时间推广估计

    图神经网络在各个领域得以广泛应用，但面对图演变时往往难以保持准确的表示。本文从信息论的角度分析表示失真，并通过自监督图重构引入了一个简单而有效的基线方法 Smart，该方法通过自适应特征提取器提供了出色的泛化估计性能，实证结果表明其在真实演化图上的估计表现出优异的准确度。

    Apr, 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

  • 重新思考大规模图学习中的节点传播

    基于可扩展图神经网络的自适应拓扑感知传播 (ATP) 提高了运行效率和预测性能，减少了潜在的高偏差传播，并以可插入式的节点传播优化策略无缝集成于大规模图神经网络，同时解决了冗余计算成本。

    Feb, 2024

  • 深度时空图建模的图卷积网络 (Graph WaveNet)

    本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

    May, 2019