FlowHON: 使用高阶网络表示流场

Dec, 2023

FlowHON: Representing Flow Fields Using Higher-Order Networks

Nan Chen, Zhihong Li, Jun Tao

TL;DR使用 FlowHON 方法构建高阶网络来分析流场，并通过节点生成和边估计解决对流场的密度估计、数据管理和结构理解等下游任务。

Abstract

flow fields are often partitioned into data blocks for massively parallel computation and analysis based on blockwise relationships. However, most of the previous techniques only consider the first-order dependencies among blocks, which is insufficient in describing complex flow patter

flowhon higher-order networks flow fields node generation edge estimation

发现论文，激发创造

基于简单复合的花瓣拉普拉斯算子的高阶图卷积网络

针对复杂系统中的高阶交互作用，本论文提出了一种利用简单复合物的丰富数学理论的新方法，介绍了一种嵌入简单复合物中的高阶 Flower-Petals 模型，并引入了基于 FP Laplacians 的高阶图卷积网络 (HiGCN)，能够识别在不同拓扑尺度上的内在特征，通过可学习的图滤波器来量化高阶交互作用强度，实现了先进的表达能力，并在各种图任务上达到了最先进的性能。

Sep, 2023

束超图网络

利用细胞韵奏增强了超图的表示方法，并设计了 Sheaf Hypergraph Neural Networks 和 Sheaf Hypergraph Convolutional Networks 模型，通过广泛的实验表明这种泛化显著提高了性能，在多个超图节点分类基准数据集上取得了最佳结果。

Sep, 2023

交通流量预测的动态超图结构学习

本文研究了交通流预测问题，通过建模交通网络和过去的交通状况来预测未来的交通情况。为了解决现有方法在复杂交通网络中表现不佳的问题，本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型，该模型通过提取超图结构信息来学习非成对关系，并通过聚合来自关联超边的消息来更新每个节点的表示。为了捕捉道路网络中的高阶时空关系，介绍了互动图卷积块，进一步模拟每个节点的邻域交互。最后，将这两个视角整合到一个综合的多尺度相关性提取模块中，该模块通过不同尺度的时间池化来建模不同的时间模式。对四个流行的交通基准数据集进行了大量实验证明了我们提出的 DyHSL 与广泛的竞争基准相比的有效性。

Sep, 2023

图形规范化流

本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

May, 2019

FlowX: 通过信息流实现可解释的图神经网络

本研究提出一种名为 FlowX 的新方法，通过识别重要的信息流来解释图神经网络的工作机制，结果表明 FlowX 能够提高图神经网络解释性。

Jun, 2022

层次流量估计和高维概率抽样

利用二重小波变换计算的低维度模型，通过多尺度逼近高阶多项式能量，估计和采样小波散射模型，产生湍流的二维涡量场和暗物质密度图像。

May, 2024

GNNFlow：动态图上连续时态 GNN 学习的分布式框架

GNNFlow 是一个分布式框架，可以在多 GPU 机器上进行高效的连续时态图表示学习，支持动态图并采用自适应的时间索引块数据结构、混合 GPU-CPU 图数据放置、GPU 缓存以及优化策略等技术，实现了比现有系统快 21.1 倍的连续学习效果。