Feb, 2024

跨领域动态链接预测的一种图模型

HTML
PDF
TL;DRDyExpert是一个动态图模型，用于跨领域链接预测，并通过显式建模历史演化过程来学习特定下游图的演化模式，从而进行特定模式的链接预测。在充分训练过的动态图上，DyExpert在八个未训练的图上进行广泛实验，表现出了跨领域链接预测方面的最新性能。与同样设置下的先进基准相比，DyExpert在八个图上的平均精度提升了11.40％，并在六个未训练的图上超过了八个先进基准的全监督性能。
发现论文，激发创造
  • 半监督图嵌入动态链接预测方法

    我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

    Oct, 2016

  • 基于调整Sigmoid函数和2-单纯形结构的时间链接预测

    本文提出了一种基于调整的sigmoid函数和2-simplex结构的新颖时间链接预测模型（TLPSS），该模型结合了信息的生命周期和高阶结构，以在动态网络中实现时域和结构信息的一致性，并在六个实际数据集上展示了比其他基线方法平均提高15％的链接预测性能。

    Jun, 2022

  • 动态网络链接预测的更佳评估

    提出了新的评估过程和数据集，以更好地比较不同方法在时间演化图中的强弱，并提出了EdgeBank纯记忆基线，该基线有效地解决了当前评估设置中容易的负面边问题，并通过提出更具挑战性的负采样策略改进了鲁棒性和更好地匹配了现实世界的应用。

    Jul, 2022

  • 时序图网络中新节点的动态链接预测

    使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。

    Oct, 2023

  • DyExplainer：可解释的动态图神经网络

    使用DyExplainer方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

    Oct, 2023

  • 动态图中链路预测算法评估的新视角

    通过对负采样的可能性进行分类，并引入新的可视化方法以研究预测性能和时间网络动态，我们验证了错误通常在不同数据段之间不均匀分布，并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。

    Nov, 2023

  • 预测动态图的结构

    本文介绍了一种基于时序方法和通量平衡分析的方法，用于预测未来时间点的图结构，并在合成和实际数据集上验证了其效用和适用性。

    Jan, 2024

  • 基于上下文学习的通用链接预测器

    本研究介绍了一种名为UniLP的全能连接预测模型，它结合了启发式方法的普适性和参数化模型的模式学习能力，能够自动识别不同图表的连接模式并在无需针对性训练的情况下迅速应用于任何未知图表数据集。该模型通过In-context Learning (ICL)的实现解决了不同图表之间独特分布导致的连接模式冲突问题，通过顺应上下文演示动态调整到各种目标图表，避免了负面迁移。通过严格的实验证明了UniLP在适应新的未知图表上的有效性，并展示了它与为特定数据集进行微调的参数化模型性能相当甚至胜过的能力。我们的发现突出了UniLP在连接预测领域中将启发式方法和参数化方法的优势结合于一个多用途框架中的潜力。

    Feb, 2024

  • 基于学习的连续时间动态图中的链接异常检测

    连续时间动态图中的异常检测是一个新兴领域，本文通过结构化分析以及图表示学习，对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中，我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图，从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势，为未来的研究提供了机遇。

    May, 2024

  • 从链接预测到预测：基于批次的时间图学习中的信息损失

    本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

    Jun, 2024