Sep, 2023

DURENDAL：面向时态异构网络的图深度学习框架

PDF
TL;DRDURENDAL 是一个图深度学习框架，用于处理时间异构网络，结合了基于快照的和多关系传递的图深度学习模型的设计原则。通过引入两种不同的策略来更新时间异构网络的嵌入表示，DURENDAL 展示了在未来链接预测任务中的预测能力以及模型设计的效果。
temporal heterogeneous networksgraph deep learning frameworkevolving networkssnapshot-basedmultirelational message-passing
发现论文，激发创造
  • 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

  • 采用时间 RNN 和分层注意力建模动态异构网络进行链接预测

    本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

    Apr, 2020

  • 金融时间序列预测的时空异质性图神经网络

    本论文提出了一种基于时间和异构图神经网络（THGNN）的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。

    May, 2023

  • 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

  • 时序和异质图神经网络用于剩余寿命预测

    通过 Temporal and Heterogeneous Graph Neural Networks (THGNN) 模型，我们准确地捕捉了传感器数据流中的时间动态和空间相关性，并利用 Feature-wise Linear Modulation (FiLM) 解决了传感器类型多样性的问题，通过全面的实验验证了我们的方法的有效性，实验结果显示与最先进的方法相比，在 N-CMAPSS 数据集上获得了高达 19.2% 和 31.6% 的改进。

    May, 2024

  • 动态图的深度学习：模型与基准

    本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

    Jul, 2023

  • 动态图神经网络综述：模型、框架、基准、实验与挑战

    本文通过对 81 个动态 GNN 模型、12 个动态 GNN 训练框架和常用基准进行了全面的比较分析和实验评估，在对六个标准图数据集上测试了九个代表性的动态 GNN 模型和三个框架。评估指标包括收敛精度、训练效率和 GPU 内存使用情况，从而实现了对各种模型和框架性能的全面比较。通过分析和评估结果，我们确定了关键挑战，并提出了未来研究的原则，以增强动态 GNN 领域模型和框架的设计。

    May, 2024

  • 流式图神经网络

    本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

    Oct, 2018

  • 动态推荐的时序图网络框架

    我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

    Mar, 2024

  • Attention 机制在欺诈检测中的图动态建模

    本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

    Apr, 2022