基于时间序列预测的时序图结构学习
提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架,通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系,用于多步骤的时空预测。实验证明,TGCRN 能够推进现有技术的发展,并提供了详细的消融研究和可视化分析,深入揭示了时间感知结构学习的有效性。
Dec, 2023
提出了一种新颖的 Temporal Graph representation learning with Adaptive augmentation Contrastive (TGAC) 模型,该模型通过将先验知识与时间信息相结合,对时态图进行自适应增强,并通过定义增强之间的相互视角对比和内部视角对比来构建对比目标函数,以减少网络中的噪声。广泛的实验证明,该模型优于其他时态图表示学习方法。
Nov, 2023
提出了一种名为 TCGL 的自监督学习方法,通过建立图模型来学习视频的时序表示,利用 “片段内” 和 “片段间” 的时间依赖作为时序表示学习的自监督信号,在大规模行动识别和视频检索基准测试中展示了显著的性能优势。
Jan, 2021
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
本文提出了一种利用图结构学习和图神经网络预测表格数据的新方法,通过提出的图对比学习模块、基于 Transformer 的特征提取器和图神经网络来同时学习实例相关性和特征交互,在 30 个基准表格数据集上的全面实验表明,TabGSL 明显优于树结构模型和最近的基于深度学习的表格模型。
May, 2023
本文提出了一种正则化图结构学习模型 (RGSL),通过节点嵌入推导出隐式的密集相似矩阵,利用 Gumbel Softmax 技巧学习稀疏的图结构,然后使用 Laplacian Matrix Mixed-up Module (LM3) 将显式与隐式图结构融合。实验结果表明,RGSL 模型比现有图预测算法表现更出色,并同时学习有意义的图结构。
Oct, 2022
本文提出了 TGL,一个适用于大规模离线图神经网络的统一框架,在多个 GPU 上进行训练,该框架包括时间采样器、邮箱、节点内存模块、内存更新器和消息传递引擎等五个主要组件,并通过随机块调度技术解决了训练大批量样本时过时的节点内存等问题。在多个小规模和两个大规模数据集上的实验结果表明,TGL 可以实现更快的训练速度和类似或更好的准确性。
Mar, 2022
TimeGNN 是一种学习动态时间图表示的方法,能够捕捉多个系列的相关性和交互模式的演变,并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023