本篇综述论文回顾了近期对动态图表示学习的研究进展,包括对动态知识图谱的研究,将现有模型从编码器 - 解码器的角度进行描述和分类,并分析了每个类别中采用的技术,同时还回顾了几个显著的应用和广泛使用的数据集,并突出了未来研究的方向。
May, 2019
本文综述了图学习领域的现状和发展,主要包括四种现有的学习方法:图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用,以及该领域未来的研究方向。
May, 2021
本文回顾了动态图学习的问题和模型,分析和讨论了各种动态图的监督学习设置,并确定了现有模型的相似之处和不同之处,最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。
Apr, 2023
本文通过对时空信息学习的先进优势进行调查和性能比较,为动态图形表示学习领域建立坚实的基础,以促进该领域的研究
Jul, 2023
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
本文综述了图学习的应用和限制,介绍了无法应用于动态图形的图学习方法以及近年来不断受到研究关注的图生命周期学习方法的分类、潜在应用和未解决的研究问题。
Feb, 2022
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略:图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法,并提出了潜在的未来研究方向和应用领域。
Dec, 2018
在这篇论文中,通过对图神经结构进行综述,从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例,以期为读者提供深入的了解,并为未来的研究指明可能的方向。
Oct, 2023
本文提出一种新的动态图神经网络模型 DGNN,能够利用图的动态信息,通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性,不断更新节点信息,以适应不断发展变化的图,实验结果证明了该框架的有效性。
Oct, 2018
本文综述了在图表示学习领域中,基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法,包括基于矩阵分解、随机游走、图神经网络等方法,并开发了一个统一框架描述这些最新的方法,并为未来的工作提出了一些重要应用和方向。
Sep, 2017