图神经网络和时间序列作为定向图的质量识别

MMOct, 2023

图神经网络和时间序列作为定向图的质量识别

Graph Neural Networks and Time Series as Directed Graphs for Quality Recognition

Angelica Simonetti, Ferdinando Zanchetta

TL;DR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。

Abstract

graph neural networks (GNNs) are becoming central in the study of time series, coupled with existing algorithms as temporal convolutional networks and →

graph neural networks time series temporal convolutional networks recurrent neural networks geometric deep learning

发现论文，激发创造

图神经网络：方法和应用综述

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

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

时间序列的图神经网络调查：预测、分类、填充和异常检测

这篇综述论文首次汇集了关于基于图神经网络的时间序列研究的大量知识，突出了图神经网络在时间序列分析中的基础、实际应用和机会。

Jul, 2023

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

基于图的强化学习在时间序列预测中的应用

本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

Sep, 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

图神经网络综述

该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用，提出了四种图神经网络的分类，并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估，并提出了该领域的潜在研究方向。

Jan, 2019

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

计算机视觉中的图神经网络 —— 架构、数据集和常见方法

该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如 GAT、GCN 和 GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。

Dec, 2022

GTAGCN：广义拓扑适应图卷积网络

基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

Mar, 2024