May, 2023

深度时变图聚类

PDF
TL;DR提出了基于交互序列的批处理模式的 deep Temporal Graph Clustering (TGC) 框架，通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明，TGC 框架可以有效提高现有临时图学习方法的性能。
deep graph clusteringtemporal graphsdynamic interactiontgctemporal graph learning
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

  • CGC：用于社群检测和跟踪的对比图聚类

    本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

    Apr, 2022

  • arXiv4TGC：大规模时序图聚类数据集

    本篇论文提出了一种解决大规模时间图聚类评估的挑战的方法 —— 构建一个包含多个学术数据集的 arXiv4TGC 数据集，并与先前的经典数据集和本论文提出的新数据集进行比较，以提高不同模型的聚类表现和适用于大规模时间图聚类的可行性。

    Jun, 2023

  • 长视频中的时间性字符分组的统一及动态图

    该论文提出了一个统一动态图（UniDG）框架，用于视频时间特征分组，通过统一表示网络、动态图聚类和渐进关联方法实现了多模态聚类结果的融合，通过在 MTCG 数据集上的评估以及现有聚类和检索数据集上的验证，实验证明我们的方法可以取得有希望的结果，并且胜过几种最先进的方法。

    Aug, 2023

  • 深度时空聚类：一种针对多维气候数据的时间聚类方法

    利用 DSC 算法，结合 CNN-RNN 模型学习数据的空间和时间特征，通过聚类和数据重构误差优化来实现高维时空数据的无监督聚类，并在气候数据上的实验结果表明，该方法的效果要优于现有的无监督聚类算法。

    Apr, 2023

  • 自动癫痫检测的时态图卷积网络

    提出了一种结构时间序列模型 TGCN，其利用定位在患者头皮上的电极的相对位置信息进行特征提取操作，实现了全局特征和局部特征的结合，该模型在癫痫检测中的表现不逊于其他相关模型并具有良好的可解释性。

    May, 2019

  • 属性图聚类：深度注意力嵌入方法

    本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

    Jun, 2019

  • 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

  • TG-GAN: 基于深度生成模型的连续时间时序图形生成

    我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

    May, 2020

  • 基于骨架的动作识别的时序图建模

    本篇文章介绍了一种称之为 Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

    Dec, 2020