Sep, 2023

iLoRE：动态图表示中的即时长期建模和再现性保留

PDF
TL;DR本研究提出了一种名为 iLoRE 的新型动态图建模方法，通过引入自适应短期更新模块、长期更新模块和图模块，解决了现有方法中普遍存在的问题，从而实现了对连续时间动态图的有效建模和表示学习。
continuous-time dynamic graph modelingindiscriminate updatingnode-wise long-term modelingre-occurrence patternsilore
发现论文，激发创造
  • TCL: 基于 Transformer 动态图对比学习建模

    本文介绍了一种新颖的图神经网络方法，基于图转换器，引入了两个流编码器，另外通过对比学习来使动态表示具有高级别 (或全局) 语义，提高了交互预测的准确性。

    May, 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

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • 通过动态时期定义的长期和短期偏好的异构图建模的社交推荐

    通过在异构图中结合社交网络数据的动态属性，本研究提出了一种新的方法来提供社交推荐，旨在捕捉用户的长期和短期偏好并聚合分配的边权重，以实现对时间变化的用户偏好的建模，实验结果证明了该模型的有效性。

    Dec, 2023

  • 学习非规则采样时间序列中的长期依赖

    我们提出了一种基于长短期记忆机制的算法来解决非均匀采样数据上具有长期依赖性的序列建模问题，其核心是将记忆从时间连续状态中分离出来，形成了一种新的 ODE-LSTM 模型。实验证明，该模型在非均匀采样数据的长期依赖建模上优于基于其他递归神经网络的模型。

    Jun, 2020

  • 动态图上的表示学习

    本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

    Mar, 2018

  • 预测时变图中路径失败

    本篇论文介绍了用时间演化图对现实中的网络进行建模，并研究了时间演化图中路径分类问题的应用，设计了一种新颖的深度神经网络 LRGCN 和路径表示方法 SAPE，实验结果表明 LRGCN 在路径预测方面比其他竞争方法更有效，SAPE 在路径表示方面也表现出显著的效果。

    May, 2019

  • 重复感知邻居采样用于动态图学习

    本文介绍了 RepeatMixer 模型，该模型通过考虑邻居采样策略和时间信息学习，学习源节点和目标节点的第一和高阶邻域序列的时间模式，进而提高了链接预测任务中的性能。

    May, 2024

  • UnICORNN: 用于学习非常长时间依赖关系的循环模型

    本文提出了一种基于哈密顿系统的离散化的循环神经网络架构，解决长时依赖序列输入处理的梯度消失和爆炸问题，实验表明该方法在各种学习任务中提供了最先进的性能。

    Mar, 2021

  • 图关系感知的持续学习

    连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

    Aug, 2023