Oct, 2023

利用因果意识图神经网络预测动态图中的时序中心度

PDF
TL;DR利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。
node centralitiestemporal datapath-based centralitiestemporal graphsgraph neural networks
发现论文，激发创造
  • De Bruijn goes Neural：面向动态图上的时间序列数据的因果感知图神经网络

    De Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间 - 拓扑模式可以被有效提取和学习。

    Sep, 2022

  • GDBN：一种动态贝叶斯网络的图神经网络方法

    本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

    Jan, 2023

  • 时间中介中的算法问题

    研究时变图中各种概念下的最优时空路径，发现计算其顶点之间的中心度具有可计算与难以计算的不同情况，其计算复杂度与所选的最优路径概念相关，是社交网络分析中常用的一种有用工具。

    Jun, 2020

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 基于归纳图神经网络的大型网络节点中心度估计

    我们重新定义了 Closeness Centrality（CC）和 Betweenness Centrality（BC）节点排序问题，提出了 CNCA-IGE 模型，它是一个基于归纳图神经网络的编码器 - 解码器模型，用于基于指定的 CC 或 BC 指标对节点进行排序。我们在各种规模的合成和现实网络上评估了我们的方法，并实验证明 CNCA-IGE 模型在降低执行时间和提高性能方面优于现有基线模型。

    Mar, 2024

  • 时序图中神经消息传递的顺序模式推理

    我们提出了 HYPA-DBGNN，一种新颖的两步方法，它结合了（i）基于统计学原则的零模型对图上时间序列数据中的异常顺序模式进行推断，（ii）利用捕捉到过度出现的顺序模式的高阶 De Bruijn 图的神经信息传递方法。

    Jun, 2024

  • 基于动态因果解释的扩散 - 变分图神经网络用于时空预测

    本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

    May, 2023

  • 关于分类时空中介中心性的多项式可解性

    本文研究了在时间图中如何高效地计算顶点的中介中心性，提出了多种 “最短路径” 的概念，并探讨了哪种概念能够在多项式时间内解决问题。

    May, 2021

  • ONBRA: 时态网络中时间介数中心性的严格估计

    本文提出了 ONBRA 算法作为第一种基于抽样的近似算法，用来计算带有时间信息网络中节点的时间介数中心性，为减少计算代价带来质量保证。

    Mar, 2022

  • 时空预测与效率相遇：因果图过程神经网络

    本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。

    May, 2024