本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法,通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入,并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外,我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。
Aug, 2021
开发了一种具有不确定性量化的图嵌入模型 TransformerG2G,通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文(在时间戳 [$ t-1,t-l $] 上,$ l $ 是上下文的长度)中首先学习中间节点表示。
Jul, 2023
本文提出了基于超伯利模型的时间图网络(HTGN),旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息,从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明,HTGN 在各种时间链接预测任务中的表现优于竞争方法。
Jul, 2021
本研究提出了一种名为 TGNet 的新的需求预测模型,它集成了图网络和时间导向嵌入,能够高效提取复杂的时空模式,并在其三个实际数据集中取得了与基线模型相当的预测表现,在参数数量上却大幅节省。
May, 2019
本文提出了一种可扩展的体系结构,利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中,并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入,从而实现多尺度的时空特征表示,我们的方法在保证结果竞争力的同时,大大降低了计算负担。
Sep, 2022
提出了一种基于双重随机游走策略和超伽马空间距离的超伽马异构时间网络嵌入模型,能够保留结构和语义信息,对于时间上的链接预测和节点分类取得了优秀的表现。
Apr, 2023
本研究采用新型 WGP-NN 图神经网络架构,结合高斯过程对事件发生概率的时间演化及其不确定性进行联合建模,能够在表示实体不确定性的基础上,预测未来链接的不确定性,并且可以连续时间建模 tKG 的复杂时空动态,经测试在两个真实世界基准数据集上表现出最先进的性能。
Jan, 2023
我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型,它能够连续地生成时间图,并针对回归神经网络设计了一些新的激活函数,以强制实施时间合法性约束,以及一种新的时间图鉴别器,以提高效率和准确性。
May, 2020
本文提出了一种称为 TGN 的新型深度学习框架,可以有效地在动态图形学中学习演化特征或连接。
Jun, 2020
本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE,用于解决深度学习中的时序数据问题。结果表明,该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。
Feb, 2022