Oct, 2023

实时图实验室：开放、动态和真实的非同质化交易图

PDF
TL;DR通过对 NFT 生态系统的时间图分析，研究了其特性、动态和潜在发展方向，并利用机器学习模型丰富现有数据集，为图数据社区提供了新的机会。
temporal graphsblockchainsnon-fungible tokensnft ecosystemmachine learning models
发现论文，激发创造
  • 利用复杂网络方法对以太坊交易记录进行建模和理解

    本研究利用时间和金额特征，将以太坊交易记录建模成复杂网络，通过设计多种灵活的基于随机游走的图表征策略，证明了边的时间和多样性特征对于准确建模和理解以太坊交易网络是不可或缺的

    Dec, 2020

  • 基于时间和交易数量的多图快照技术，用于以太坊交易追踪

    使用以太坊交易数据作为研究对象，通过构建一个基于复杂网络的预测框架来跟踪交易记录，提高监管效率并保障区块链的安全性。

    Feb, 2021

  • 剖析以太坊区块链分析：从拓扑和几何学角度学到了什么

    本文通过引入基于拓扑数据分析和功能数据深度的新工具，展示了以太坊网络可以提供重要见解，以评估加密货币价格动态与交易图形属性之间的关系，这是传统数据源和分析方法无法获取的。

    Dec, 2019

  • 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

  • LasTGL: 大规模时间图学习的工业框架

    LasTGL 是一个用于解决时间图学习问题的产业框架，它整合了常见的时间图学习算法的统一和可扩展实现，并提供了全面的时间图数据集、TGNN 模型和工具，适用于初学者和专业深度学习从业者。

    Nov, 2023

  • ETGraph: 连接以太坊和推特的开创性数据集

    ETGraph 是一个将 Ethereum 的交易记录和 Twitter 的关注数据进行链接的数据集，通过对其进行统计分析和一系列实验，发现 Twitter 数据在增强 Ethereum 分析方面起到了重要作用。

    Oct, 2023

  • 基于时态图的基础模型的神经缩放定律研究

    时间图学习领域旨在从不断变化的网络数据中学习以预测未来的交互。本研究通过先在多个网络上进行预训练，再在未见过的网络上评估性能，展示了时间图学习的可转移性和神经缩放定律对预测性能的影响。

    Jun, 2024

  • 时间图：基于图的时间推理

    提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

    Jan, 2024

  • 基于 TGX 的时序图分析

    TGX 是一个 Python 软件包，特别设计用于分析时态网络，它提供数据加载、数据处理和演化图分析的自动化流程，支持多种内置和外部数据集，并且提供了数据处理功能和网络分析方法，适用于社交网络、引用网络和用户互动等领域。

    Feb, 2024

  • 金融网络中的图异常检测的时态图网络

    本文探讨了利用时间图网络（TGN）进行金融异常检测的技术，通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势，表明 TGN 在适应现代金融系统动态复杂性方面具有潜力，从而成为检测金融欺诈的有效工具。

    Mar, 2024