基于动态因果解释的扩散 - 变分图神经网络用于时空预测

May, 2023

基于动态因果解释的扩散 - 变分图神经网络用于时空预测

Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting

Guojun Liang, Prayag Tiwari, Sławomir Nowaczyk, Stefan Byttner, Fernando Alonso-Fernandez

TL;DR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。

Abstract

graph neural networks (GNNs), especially dynamic GNNs, have become a research hotspot in spatio-temporal forecasting problems. While many dynamic graph construction methods have been developed, relatively few of

graph neural networks dynamic graph construction causal relationship spatio-temporal forecasting uncertainty

发现论文，激发创造

流式图神经网络

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

动态因果图卷积网络用于交通预测

通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

Jun, 2023

DyExplainer：可解释的动态图神经网络

使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

Oct, 2023

自适应依赖学习图神经网络

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

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

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

图变分扩散网络实现鲁棒节点表示学习

我们通过使用图神经网络（GNNs）进行节点表示学习，并结合高斯噪声来保护鲁棒性并减轻过度平滑问题，提出了一种名为 Graph Variational Diffusion Network（GVDN）的新型节点编码器。

Dec, 2023

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

超几何变分图神经网络模型用于动态图建模

本文提出了在超几何空间学习动态图形表示的方法，并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性，设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征，此外还引入了超几何正态分布的可重参数采样算法，用于使 HVGNN 具有梯度优化能力，并在现实数据集上的实验中取得了优于现有基线的效果。

Apr, 2021

动态脉冲图神经网络

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