通过图段训练学习大型图的属性预测
SAT 是一种新颖的可扩展分布式 GNN 训练框架,通过建立包括时序图模型以预测未来嵌入的模型,有效减轻了缓存历史嵌入的陈旧问题,从而在多个大规模图数据集上实现了更好的性能和收敛速度。
Aug, 2023
为了有效利用分子和性质之间的多对多关系,我们提出了一种基于图采样的元学习(GS-Meta)框架来解决少样本分子属性预测问题。在五个常用基准测试中,GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71%-6.93%,并验证了每个提议模块的有效性。
Jun, 2023
本文提出了一种新的图形表示学习框架 PGE,该框架将节点和边缘的属性信息纳入了图嵌入过程,通过节点聚类和多种数据驱动矩阵来聚合邻居节点的属性信息,并在节点分类和链接预测等应用方面验证了 PGE 的性能优于现有的图形嵌入方法,表明其在机器学习中具有显著的影响。
Jun, 2022
为训练图神经网络中的知识图嵌入模型提供可扩展解决方案,其中算法策略包括独立分区、基于约束的负样本采样和边缘小批量训练,以避免跨分区数据传输,具有 16 倍的加速效果,而模型性能与非分布式方法相当。
Jan, 2022
本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting(BGSLF),该模型结合了图结构学习和预测,并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡,并在真实世界的四个数据集上进行了广泛的实验,取得了最新的性能表现。
Jan, 2022
开发了一种具有不确定性量化的图嵌入模型 TransformerG2G,通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文(在时间戳 [$ t-1,t-l $] 上,$ l $ 是上下文的长度)中首先学习中间节点表示。
Jul, 2023
提出一种名为 BDGSTN 的新模型,通过生成骨干网络和动态图来预测流行病数据,使用线性模型和动态图卷积来处理时间依赖关系,实验证明该模型在准确预测流行病方面优于其他基准模型。
Dec, 2023
提出了一种可扩展的 FedGraphTransformer(FedGT)方法,通过混合注意力机制解决了分布式图神经网络在局部子图更新中缺失链接的问题,以及子图异构性和数据隐私保护的问题。实验证明了 FedGT 的优越性。
Jan, 2024
本文介绍了一种新型的预训练框架,将 “可扩展时间序列预训练模型”(STEP)与 “空间 - 时间图神经网络”(STGNN)相结合,通过长期历史时间序列数据的预处理,提供上下文信息,显著提高预测准确性。
Jun, 2022