May, 2023

通过图段训练学习大型图的属性预测

PDF
TL;DR该研究提出了一种名为 Graph Segment Training (GST) 的框架，它通过历史嵌入表获取大型图形的嵌入，实现了基于分段策略的预测学习方法，从而提高了效率和准确性。
发现论文，激发创造
  • 基于在线动态嵌入预测的减少陈旧性的分布式 GNN 训练

    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

  • 基于图采样的分子属性预测元学习

    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

  • 属性图的表示学习框架

    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

  • 知识图谱嵌入模型的扩展

    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

  • 基于图嵌入和动态特征的变化电力网络拓扑的瞬态稳定性监控

    传输稳定性预测模型使用图嵌入动态特征及监督对比学习来预测能源网络结构变化下的瞬态稳定性。

    Aug, 2023

  • 多元时间序列预测的平衡图结构学习

    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

  • TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长

    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

  • 基于骨干的动态图空时网络用于疫情预测

    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

  • FedGT：具有可扩展图变换器的联邦节点分类

    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

  • 增强型时空图神经网络预训练在多元时间序列预测中的应用

    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