Jul, 2023

从随机游走到图快跑：一个连续时间动态图上低延迟节点嵌入的框架

PDF
TL;DR本研究提出了一种名为 'graph-sprints' 的通用特征提取框架，针对连续时间动态图（CTDGs）具有低延迟性和与最先进的高延迟模型相竞争的能力，并通过机器学习结合图形功能的方法，实现了优秀的性能表现。
发现论文，激发创造
  • 大规模动态图的解耦图神经网络

    本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

    May, 2023

  • 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

  • 基于解缠的连续图表示学习

    研究提出了一种基于分解的连续图表示学习框架 (DiCGRL)，可以有效地减轻连续学习中的灾难性遗忘问题并超越现有的连续学习模型。

    Oct, 2020

  • 基于扩散图的快速序列嵌入

    本文提出了一种名为 `Diffusion Graphs` 的图嵌入方法，其通过简单的顶点序列生成可以获得更高的计算效率和更加准确的嵌入结果。实验证明，该方法在图中边密度越大时性能越好，同时在社区检测任务中，利用嵌入空间中的聚类节点可以获得比其他序列嵌入方法更好的结果。

    Jan, 2020

  • InkStream：通过增量更新的流图上的实时 GNN 推断

    基于对 $k$ 跳邻域内节点的分析以及节点嵌入的增量演化，我们提出了一种名为 InkStream 的新颖方法，旨在实现实时推断以及对 GPU 加速，同时确保与传统方法相同的输出结果。

    Sep, 2023

  • RDGSL: 动态图结构学习中的图表示学习

    RDGSL 是一种在连续时间动态图中进行表示学习的方法，通过动态图结构学习的监督信号有效地抵抗动态图中的噪声，提高表示生成的鲁棒性。

    Sep, 2023

  • 使用线性化随机生成树快速有效地训练图神经网络

    提出一种新的有效且可扩展的框架，用于在给定图形结构数据的监督节点分类任务中训练 GNNs。该方法通过在从输入网络提取的随机生成树线性化的一系列路径图上越来越细化的权重更新操作进行。在此过程中，路径图旨在保留原始图的基本拓扑和节点信息。同时，路径图的稀疏性使得训练更轻便，有助于缓解经典训练问题，如过度压缩和平滑。在许多真实世界图形基准测试中进行了广泛的实验研究，将该框架应用于图卷积网络，与众所周知的基线相比，同时提高了训练速度和测试精度。

    Jun, 2023

  • 流式图神经网络的持续学习

    本文提出一种基于持续学习的流式 GNN 模型，通过信息传播和数据重放与模型正则化相结合，实现了对新模式和既有模式的同时维护，解决了历史知识被新知识覆盖的灾难性遗忘问题。在多个实验数据集上的节点分类结果表明，该模型能有效地更新模型参数并达到与重新训练相当的性能。

    Sep, 2020

  • 大型图上的归纳表示学习

    该研究提出了一种通用的归纳框架 GraphSAGE，可以利用节点特征信息生成节点嵌入，不需要进行所有节点的嵌入训练，同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色，具有很好的泛化性能。

    Jun, 2017

  • GNNFlow：动态图上连续时态 GNN 学习的分布式框架

    GNNFlow 是一个分布式框架，可以在多 GPU 机器上进行高效的连续时态图表示学习，支持动态图并采用自适应的时间索引块数据结构、混合 GPU-CPU 图数据放置、GPU 缓存以及优化策略等技术，实现了比现有系统快 21.1 倍的连续学习效果。

    Nov, 2023