Jun, 2023

从带扰动的时序数据推断动态调控交互图

PDF
TL;DR本文提出了一种 Regulatory Temporal Interaction Network Inference (RiTINI)，它使用空间和时间图关注机制以及图神经 ODE，通过利用图形先验上的时间延迟信号和各个节点的信号扰动来推断复杂系统中的时间变化交互图，这种方法不同于传统的因果推断网络，并且可以推断循环，有向和时间变化的图，从而提供复杂系统更全面和准确的表征。
发现论文，激发创造
  • TANGO: 多智能体动态系统的时空反转潜在图 ODE

    本文介绍了一种基于时间反演对称性的自我监督正则化方法，通过连续图神经网络的常微分方程预测前后轨迹，以更准确地模拟广泛范围的经典力学动力学系统，并通过实验证明了该方法的有效性。

    Oct, 2023

  • 时间图：基于图的时间推理

    提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

    Jan, 2024

  • 利用图形预测不规则采样时间序列

    提出了一种名为 GraFITi 的基于图的模型，使用图神经网络来预测不规则采样时间序列中的缺失值，该模型优于现有的预测模型，并在预测精度上提高了 17％，在运行时间上提高了 5 倍。

    May, 2023

  • 基于注意力机制的时空图神经 ODE 用于交通预测

    本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

    May, 2023

  • 交互系统的神经关系推断

    本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

    Feb, 2018

  • CTRL：时间异质信息网络上的连续时间表示学习

    基于连续时间的表示学习模型 (CONTINUOUS-TIME REPRESENTATION LEARNING, CTRL) 在时态异构信息网络 (HINs) 上进行归纳表征学习。通过综合三个部分，即异构注意力单元、基于边缘的 Hawkes 过程和动态中心性，CTRL 模型能够保留异构节点特征和时间结构，以捕捉高阶网络结构的演化。实验结果表明，我们的模型在三个基准数据集上显著提升性能，超越各种最先进方法，模型设计的有效性得以证明。

    May, 2024

  • 不规则采样时间序列的时间图 ODE

    通过引入时间图常微分方程（TG-ODE）框架，从不规则图流中学习时间和空间动态，验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。

    Apr, 2024

  • 图 ODE 与因式原型的建模复杂交互动力学

    通过引入因子化的原型，使用图形 ODE 模型和变分推论框架，提出了一种名为 GOAT 的新方法，用于建模相互作用的动态系统，以增强模型的推广能力。

    Nov, 2023

  • 基于动态图神经 ODE 的多元时间序列预测

    本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

    Feb, 2022

  • 高效信息传递机制的神经关系推断

    该研究采用带有结构先验知识的图神经网络，提出了高效的信息传递机制来共同学习动态关系和规则，并且在模拟物理系统上的实验结果表明，所提出的方法优于现有的最先进方法。

    Jan, 2021