XFlow:基于图的流行为基准测试
本研究论文强调了动态图学习的重要性以及其在各个领域中的应用,并强调了建立一个统一的基准框架的需求,该框架能够捕捉时间动态、不断变化的图结构和下游任务需求。建立统一的基准框架将有助于研究人员了解现有模型的优点和局限性,促进创新,推动动态图学习的进展。此外,本文认为当前动态图学习研究的一个限制是缺乏一个统一的基准框架。这样的框架将有助于准确评估模型,推动动态图学习技术的进展,为实际应用的更有效模型的开发提供可能性。
Jan, 2024
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
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
针对在网络上的信息 / 影响 / 疾病扩散,本研究提出了一种基于离散网络的连续时间过程模型,通过已感染节点的传染事件推断全局扩散网络的边缘和每条边缘的传输速率,进而预测、影响和抑制感染传播。该模型具有稀疏解决方案,无需参数调整,可轻松适用于规模在数千到数十万的网络,实验证实了该算法的效果良好。
May, 2011
该研究提出了一种启发于双过程理论的图生成模型 ——FLOWGEN,其在生成大型图形时可根据难度实时切换快思维(较弱)或慢思维(强思维)模式,在保证性能的同时提升了处理速度。
Jul, 2022
我们提出了 SURF,这是一个用于测试学习图形化流体模拟器的推广能力的基准,通过深入研究两种最先进的图形化模型,我们在实证上证明了 SURF 的适用性,并揭示了它们的推广能力。
Oct, 2023
Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.
Jun, 2019
本论文探讨了复杂系统的建模与分析,使用动态图模型,基于 Java 的 GraphStream 库提供了动态问题建模和经典图形处理的工具,并依靠事件驱动引擎实现。
Mar, 2008
本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用,通过该框架,可对模型进行比较,并且探索新的 GNN 设计和洞见,其中,图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。
Mar, 2020
本次 survey 总结了当前网络鲁棒性领域中的一些关键发现,对比了研究中最近和经典的图鲁棒性度量,并探讨了不同分类网络中的鲁棒度量,攻击策略和防御技术,并提供了对关键问题的回答,引导研究者和实践者进入此领域,同时总结了当前研究方向及未来发展方向。
May, 2021