May, 2024

SIG: 高效可自解释的连续时间动态图神经网络

PDF
TL;DR针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了捕捉基础结构和时间信息的不一致性和分布外数据的挑战，以及高质量链接预测结果和解释的高效生成。大量实验证明，我们的模型在链接预测准确性、解释质量和对快捷特征的鲁棒性上明显优于现有方法。我们的代码和数据集已匿名发布在此 URL。
发现论文，激发创造
  • 基于动态因果解释的扩散 - 变分图神经网络用于时空预测

    本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

    May, 2023

  • 基于图信息瓶颈的自解释时变图网络

    基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。

    Jun, 2024

  • ICST-DNET：基于因果时空扩散网络的交通速度预测

    交通速度预测对智能导航和缓解拥堵至关重要。本文提出了一种名为 ICST-DNET 的新型交通速度预测架构，综合考虑了交通扩散、交通数据解释性不好、交通速度波动等因素。经过广泛实验验证，ICST-DNET 表现优于现有基线，具有更高的预测准确性、解释因果关系的能力和适应不同场景的能力。

    Apr, 2024

  • 高效有效的隐式动态图神经网络

    Implicit Dynamic Graph Neural Network (IDGNN) 是一种针对动态图的新型隐式神经网络模型，通过提出一个等价的双层优化问题和一种高效的单循环训练算法来克服计算上的困难，以在分类和回归任务中展现出优于现有模型的性能，并在性能保持的同时获得高达 1600 倍的加速。

    Jun, 2024

  • 动态因果图卷积网络用于交通预测

    通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

    Jun, 2023

  • 可解释的时空图神经网络

    提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

    Oct, 2023

  • 融合基于检索的因果学习与信息瓶颈的解释性图神经网络

    开发了一种新的可解释因果图神经网络框架，结合图信息瓶颈理论和基于检索的因果学习，能够半参数地检索关键子图并通过因果模块压缩解释性子图，在真实世界的多样解释场景中表现出比现有方法更高的准确率和 32.71% 更高的预测能力。

    Feb, 2024

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • 连续时间动态图上的长距离传播

    通过引入连续时间图反对称网络（CTAN），本文展示了 CTAN 方法在模拟长程依赖任务以及在合成长程基准和实际基准上的优越性能，从而证明了其长程建模能力并将长程任务作为时间图模型评价的一部分。

    Jun, 2024

  • 持续演化的图神经控制微分方程用于交通预测

    提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

    Jan, 2024