Jun, 2023

CAT-Walk: 基于集合漫步的归纳式超图学习

PDF
TL;DRCAT-Walk 是一种基于时态高阶图的归纳式研究方法，使用 SetWalk 提取高阶因果模式，使用 SetMixer 池化策略和集合匿名过程隐藏超边的身份，并使用神经网络模型对超边进行编码。在 10 个超图基准数据集上的评估表明， CAT-Walk 在归纳式和转导式设置下的时间超边预测基准方面表现出卓越的性能，并显示出与节点分类的现有最佳方法相竞争的性能。
temporal hypergraphsrepresentation learninghigher-order interactionscat-walkneural network model
发现论文，激发创造
  • 通过因果匿名漫步进行时态网络中的归纳表征学习

    本文介绍了一种基于 Causal Anonymous Walks (CAWs) 的神经网络模型 CAW-N，用于利用匿名化的时空随机游走来表示动态网络，支持联机训练和推理，并在链接预测方面表现出优秀的性能。

    Jan, 2021

  • 通过高阶超图漫步进行超网络科学

    本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。

    Jun, 2019

  • 时序图网络嵌入与因果匿名遍历表示

    本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。

    Aug, 2021

  • 时态图上的归纳表示学习

    本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

    Feb, 2020

  • 超图上的随机游走

    本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。

    Nov, 2019

  • 时间感知归纳逻辑推理

    本文研究了非知识图谱领域中的归纳逻辑推理问题，提出了基于超图的多起点随机 B-walk 方法和路径一致性算法相结合的后向链式归纳逻辑规则学习方法。

    Jun, 2022

  • DeepWalk：在线学习社交表示

    DeepWalk 是一种用于学习连续向量空间中网络节点的潜在表示的新颖方法，它将图中的节点用随机游走表示为句子，进行类比于词的无监督特征学习，适用于社交网络等多标签网络分类任务中表现优异，适用于各种实际应用中的网络分类和异常检测。

    Mar, 2014

  • 跳着走！多尺度网络嵌入的在线学习

    我们提出了一种名为 Walklets 的算法，通过子采样短的随机游走，在图的顶点之间建立多尺度关系，从而生成多维表示，用于社交网络等多标签网络分类任务，其效果优于 DeepWalk 和 LINE 等方法，且为在线算法，可轻松扩展到数百万个顶点和边。

    May, 2016

  • 基于归纳元路径学习的模式复杂异构信息网络

    SchemaText proposes a method to address the computational complexity associated with meta-path enumeration in schema-complex HINs, using a reinforcement-learning based path-finding agent.

    Jul, 2023

  • 在双曲空间中通过隐式分层学习进行离散时间网络嵌入

    本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。

    Jul, 2021