KDDJun, 2023

利用基本图形转换进行时间图生成

PDF
TL;DR本文提供了一种实用的临时图形生成模型，即 Motif Transition Model（MTM），旨在生成具有现实全局和本地特征的合成时间网络，通过模拟时态模式转换过程来实现全新事件的排序和生成。
graph generative modelstemporal networkstemporal motifsmotif transition modelglobal and local temporal graph statistics
发现论文，激发创造
  • 时间网络中的 Motifs

    本文发展了时态网络模体的概念以及一个计算方法。结果表明不同领域的网络拥有显著不同的模体计数，同一领域的网络则有类似的模体计数，不同的模体发生在不同的时间尺度上。

    Dec, 2016

  • 时间依赖网络中的时间模式

    介绍了时间网络的构成和时间次结构的概念，提出了一种基于颜色有向图的识别时间次结构的有效算法，并在大型移动电话网络上分析了其统计规律。

    Jul, 2011

  • TempME：通过模式发现实现时间图神经网络的解释性

    针对当前时间图神经网络（TempME）的关键挑战，提出了一种新颖的方法：Temporal Motifs Explainer（TempME），用于揭示触发该模型预测的最关键时间图案，实验证明 TempME 在解释准确性方面取得了优势，并提升了当前时间图神经网络的预测平均精确度。

    Oct, 2023

  • DYMOND：动态模型网络生成模型

    DYMOND 是一种生成模型，考虑了网络结构中的动态变化和节点在模式中所起的作用，对比其他动态图生成模型，DYMOND 在生成类似于观察到的网络的图结构和节点行为方面表现更好，并提出了一种新的方法来评估网络的时态特征。

    Aug, 2023

  • 交互网络中的流动模式

    本文提出了一种称为 Network Flow Motifs 的新型模式，可以在约束的时间窗口内模拟一组顶点之间的重要流量传递，并设计了一种寻找大型图中流模式实例的算法，并在三个真实数据集上评估了算法性能并发现了网络中的有趣模式。

    Oct, 2018

  • 金融网络的时间性征：Mercari、JPMC 和 Venmo 平台的研究

    研究金融交易网络中的临时特征， 以此提高欺诈检测精度，并探讨金融和社交关系的相互作用对于预测友谊、识别供应商和分析时间周期的影响。

    Jan, 2023

  • TG-GAN: 基于深度生成模型的连续时间时序图形生成

    我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

    May, 2020

  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 移动通讯网络中的时间模式揭示了同性恋、性别差异模式和群组对话

    使用手机通话记录来探究人类的互动模式，并研究社交网络结构和性别、年龄等属性的关系。结果显示不同性别之间存在交流的区别，年龄相似的人更容易互相联系。此外，密集部分和稀疏部分的时间模式不同。

    Feb, 2013