Jul, 2023

利用动态图转换器预测研究社区中的技术专长和能力演变

PDF
TL;DR利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。
technical expertisecapability evolutiondynamic graph transformercollaboration patternsartificial intelligence
发现论文，激发创造
  • 带边时序动态图表示学习的循环变换器

    这篇论文提出了一个结构强化的图转换器框架，包括一种循环学习范式和显式建模边缘时间状态的方法，证明在离散动态图形表示学习方面 RDGT 优于竞争方法。

    Apr, 2023

  • TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长

    开发了一种具有不确定性量化的图嵌入模型 TransformerG2G，通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文（在时间戳 [$ t-1，t-l $] 上，$ l $ 是上下文的长度）中首先学习中间节点表示。

    Jul, 2023

  • 超图变换器用于半监督分类

    通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性，提出了一种新颖的超图学习框架，称为 HyperGraph Transformer（HyperGT），该框架利用基于 Transformer 的神经网络结构来有效地处理超图结构化数据，实现了全面的超图表示学习，并在超图节点分类任务中取得了出色的性能，超过了现有方法，建立了新的基准水平。

    Dec, 2023

  • 具有动态图变换器的动态感知社交机器人检测

    社交机器人检测是一个关键而复杂的任务，旨在阻止虚假信息的传播，并保持在线交互的真实性。然而，由于静态图的固有局限性，先前基于图的方法忽视了社交网络的动态性，导致这些方法容易被高级社交机器人规避。为了解决这些挑战，我们提出了 BotDGT，一个既考虑拓扑结构又有效地融入社交网络动态性的新框架。实验结果表明，BotDGT 在准确性、召回率和 F1 得分等方面优于忽视社交网络动态性的主要方法。

    Apr, 2024

  • 大规模图的图转换器

    本研究使用可扩展的图转换器（GT）框架来进行单个大规模图的表示学习，并提出了快速的采样技术和局部注意机制，以解决全局注意机制在大规模图上的计算复杂性问题。在三个大规模节点分类基准测试中，我们验证了 LargeGT 框架，并取得了 3 倍的加速和 16.8％的性能提升。

    Dec, 2023

  • 动态异构学术图的公共基准测试

    本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

    Apr, 2022

  • 图变换网络

    本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

    Nov, 2019

  • DST-GTN：动态时空图转换网络用于交通预测

    通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。

    Apr, 2024

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 基于知识图谱的电力变压器故障预测

    应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

    Feb, 2024