动态图上不同时空图神经网络配置的分析

May, 2023

动态图上不同时空图神经网络配置的分析

Analysis of different temporal graph neural network configurations on dynamic graphs

Rishu Verma, Ashmita Bhattacharya, Sai Naveen Katla

TL;DR本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目前最先进的模型进行了兼容，以实现节点回归任务。

Abstract

In recent years, there has been an increasing interest in the use of graph neural networks (GNNs) for analyzing dynamic graphs, which are graphs that evolve over time. However, there is still a lack of understanding of how different temporal graph neural network (TGNs) configurations can impact the accuracy of predictions on dynamic graphs. Moreover, the hun

graph neural networks temporal graph neural networks benchmark datasets dynamic graph analysis state-of-the-art

发现论文，激发创造

基于时间图的动态图深度学习

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

金融网络中的图异常检测的时态图网络

本文探讨了利用时间图网络（TGN）进行金融异常检测的技术，通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势，表明 TGN 在适应现代金融系统动态复杂性方面具有潜力，从而成为检测金融欺诈的有效工具。

Mar, 2024

动态图神经网络调查

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

面向时间图的图神经网络：现状、挑战和机遇

本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。

Feb, 2023

动态推荐的时序图网络框架

我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

Mar, 2024

在现实世界中探索时间粒度对动态链接预测的影响

通过广泛的实验，我们研究了训练动态图神经网络时时间粒度对性能和鲁棒性的影响，发现复杂的记忆机制和合适的时间粒度对于在动态链接预测任务中获得竞争力和鲁棒性的动态图神经网络至关重要。我们还讨论了考虑模型和数据集中的局限性，并提出了未来关于时间图时间粒度的研究方向。

Nov, 2023

动态图神经网络综述：模型、框架、基准、实验与挑战

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

基于图神经网络的时空数据处理：方法与应用

文章介绍了大数据背景下基于图神经网络的空时数据建模和应用，系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程，并总结了当前研究的技术和应用，进一步探讨了未来的研究方向和挑战。

May, 2023

TimeGNN：时间序列预测的时间动态图学习

TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

Jul, 2023

交通预测的时序图学习循环神经网络

通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

Jun, 2024