IJCAIMay, 2023

我们是否需要一个编码器 - 解码器来建模网络上的动态系统？

PDF
TL;DR本文说明了在使用图神经网络时易忽视的一种在网络动力学建模方面的误解，指出利用嵌入在神经动力网络模型中往往会导致模型拟合观测数据的表现良好但动力行为不正确，因此提出了一个不使用嵌入的替代方法，通过实验证明了该模型可以可靠地从时间序列数据中恢复不同网络拓扑下的广泛动态。
发现论文，激发创造
  • 时间网络嵌入动态下的时间链接预测

    通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

    Jan, 2024

  • 稳定动态网络嵌入的简单而强大框架

    本文研究动态网络嵌入的问题，通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵，实现对动态网络中节点的解释性和强大的嵌入表示，提供理论保证和假设测试框架以评估动态网络嵌入质量，并证明我们提出的稳定展开方法不仅更易解释，而且比不稳定方法更有表现力。

    Nov, 2023

  • dyngraph2vec：使用动态图表示学习捕获网络动态性

    基于嵌入方法的动态图形表示学习，结合密集和递归层，研究动态图形中的链路预测问题，并在两个真实数据集上验证了其优越性。

    Sep, 2018

  • 神经序列模型的时滞嵌入理论

    为了生成连贯的回应，语言模型从输入文本序列中推断未观察到的含义。本研究通过测试序列模型重建未观察到动态系统的能力，发现每个序列层可以学习到该系统的可行嵌入。然而，状态空间模型比变压器具有更强的归纳偏差，尤其是它们在初始化阶段更有效地重建未观察到的信息，从而实现更高效的模型和较低的动力学任务错误率。因此，本研究通过延迟嵌入理论在动态系统和深度学习序列模型之间建立了一种新颖的关联。

    Jun, 2024

  • 具有非均匀嵌入和显式验证阶段的神经网络用于评估 Granger 因果关系

    本文提出了一种基于神经网络方法的动力学系统研究方法，避免了传统模型建立过程中的假设。实验表明，该方法能够正确检测时间序列系统的动态信息流，尤其是在涉及冗余变量的情况下具有显著的优越性。

    Jul, 2015

  • 使用神经控制微分方程学习动态图嵌入

    研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图上表达动态的能力。

    Feb, 2023

  • 复杂网络的多尺度动态嵌入

    基于控制理论，我们提出了一种描述节点间动态相似性的时间依赖动态相似度度量，该度量可用于减少复杂系统网络的描述，并可用于发现功能模块。通过案例研究，我们展示了该方法在不强连通的有向网络和带符号网络上的应用，并将社区检测方法与控制理论相结合。

    Apr, 2018

  • 现代时域神经网络中时间步嵌入的消失

    通过深入分析现代时间相关神经网络的结构，研究报告了一个时间相关神经网络的时间感知关键缺陷，该缺陷同样存在于扩散模型中，同时提供了几种解决方案以改善问题根源，并通过对神经常微分方程和扩散模型的实验验证表明，保证时间感知能力可以提升它们的性能，暗示了它们当前的实现缺乏足够的时间依赖性。

    May, 2024

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018

  • 半监督图嵌入动态链接预测方法

    我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

    Oct, 2016