AAAIDec, 2023

连续时间图表示与序贯生存过程

PDF
TL;DR在过去的二十年中，图形的表示学习方法有了巨大的增长，具有多个应用领域，包括生物信息学、化学和社会科学。然而，目前的动态网络方法侧重于离散时间网络，或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题，我们提出了一种依赖于生存函数的新型随机过程，用于建模链接的持续时间和它们在一段时间内的缺失。我们将这一方法应用于最近的连续时间动态潜在距离模型，并在链接预测和网络完成等各种下游任务中进行量化评估，证明这一开发的建模框架很好地追踪了潜在空间中节点的内在轨迹，并捕捉了演化网络结构的潜在特征。
发现论文，激发创造
  • 动态网络的随机图模型

    本文提出了一些标准网络模型的概括，包括随机网络、配置模型和随机块模型，将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制，并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态，以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构，我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。

    Jul, 2016

  • 将脉冲神经元网络建模为具有可变长度记忆的交互进程

    介绍一类具有无限数量相互作用组件的非马尔可夫过程，可以描述神经元网络的时间演化，有关完美模拟、存在性问题、反相关性等问题的研究成果也在文章中进行了综述。

    Feb, 2015

  • 时态图上的状态空间模型：第一原理研究

    本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了 GraphSSM 框架，用于建模时间图的动态性，实验证明 GraphSSM 在各种时间图基准测试中的有效性。

    Jun, 2024

  • 用于分类传播过程的时态图核

    本文提出了一种将标准图内核应用于时间领域的框架，包括三种不同的方法，并探讨了时间信息损失和效率之间的平衡，通过实际应用于真实世界的社交网络得出，考虑了时间信息对传播过程的成功分类至关重要。

    Oct, 2019

  • 基于图正则化的事件传播序列点过程模型

    本文提出了一种图正则化点过程模型来建模事件传播，通过对节点嵌入的上下文化将时间关注度模型的励興和时间衰减因子构建到当前事件的过程中， 还通过应用图正则化方法提供了模型可解释性.

    Nov, 2022

  • 动态稀疏图上图序列神经 ODE 过程用于链接预测

    本研究提出了一种基于神经过程的新方法，称为 Graph Sequential Neural ODE Process (GSNOP)，通过定义函数分布，将不确定性引入预测中，使其具有更好的泛化性能和更强的扩展性，同时不会过拟合于稀疏数据，在三个动态图数据集上表现良好，推进了无监督学习和动态图挖掘领域的研究。

    Nov, 2022

  • 门控图循环神经网络

    本文介绍了图递归神经网络 (GRNNs) 作为一种利用递归隐藏状态与图信号处理 (GSP) 相结合的学习框架，以学习来自于图处理中的时空结构。结果表明，GRNNs 在长期依赖问题上的表现优于 GNNs 和 RNNs。

    Feb, 2020

  • 稀疏图线性动态系统

    该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

    Jul, 2023

  • 长期网络随机块模型的半参数扩展

    提出了扩展随机块模型的连续时间循环交互事件模型，其中每个人都属于潜在群体，两个人之间的交互遵循由个人潜在群体驱动的条件不均匀泊松过程，证明了该模型的可识别性，其估计是基于半参数变分期望最大化算法进行的，该方法的两个版本使用非参数直方图方法 (自适应选择分区大小) 或核强度估计器，潜在群体的数量可以通过集成分类似然标准进行选择，最后，我们演示了我们的过程在合成实验上的性能，并分析了两个数据集以说明我们的方法的效用并评论了竞争方法。

    Dec, 2015

  • 连续图神经网络

    本文提出了一种连续图神经网络 (CGNN)，可以广泛应用于现有的离散动态的图神经网络，并能够捕捉节点之间的远距离依赖关系。实验结果表明，相对于竞争基线，该方法在节点分类任务上是有效的，且具有抗过度平滑的特性。

    Dec, 2019