Aug, 2023

走向时间边缘回归：一个关于国家间农业贸易的案例研究

PDF
TL;DR探索将图神经网络应用于静态和动态环境中的边缘回归任务，着重预测国家之间的食品和农业贸易价值，通过实验证明现有的基准模型在各种设置下表现出极强的性能，且 TGN 模型优于其他 GNN 模型，同时提到训练样本中负边的比例对测试性能有显著影响。
发现论文，激发创造
  • 动态图上不同时空图神经网络配置的分析

    本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目前最先进的模型进行了兼容，以实现节点回归任务。

    May, 2023

  • TimeGNN：时间序列预测的时间动态图学习

    TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

    Jul, 2023

  • 面向时间图的图神经网络：现状、挑战和机遇

    本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。

    Feb, 2023

  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

    Nov, 2021

  • 大规模网络定位的图神经网络

    本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

    Oct, 2020

  • 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

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • 交通预测的时序图学习循环神经网络

    通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

    Jun, 2024

  • 图神经网络和时间序列作为定向图的质量识别

    本文研究了图神经网络在时间序列分析中的应用，将时间序列视为有向图，利用图神经网络的结构探索时间依赖性，并开发了两个几何深度学习模型，一个用于有监督分类，另一个用于信号重构。将这些模型应用于质量识别问题。

    Oct, 2023

  • 基于图神经网络的时空数据处理：方法与应用

    文章介绍了大数据背景下基于图神经网络的空时数据建模和应用，系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程，并总结了当前研究的技术和应用，进一步探讨了未来的研究方向和挑战。

    May, 2023