KDDJun, 2024

面向自适应邻域的时序交互图建模

PDF
TL;DR在这篇论文中，我们通过引入自适应邻域编码机制来增强现有的时态图神经网络 (TGNs)，提出了 SEAN 模型，该模型可以无缝集成到现有的 TGNs 中，有效提升其性能。具体而言，该模型通过代表性邻居选择和时态感知邻域信息聚合两个阶段，实现自适应邻域编码的过程，从而在聚合过程中灵活利用重要的邻居信息，并适应性地选择和衰减过时信息，取得了出色的性能提升。我们在四个公共数据集和一个金融基准数据集上将 SEAN 与三种代表性 TGNs 进行了集成，并进行了大量的实验证明，SEAN 可以在所有模型上持续提高性能，达到顶级水平并具有出色的稳健性。
temporal graph networksadaptive neighborhood encodingseanrepresentative neighbor selectiontemporal-aware neighborhood information aggregation
发现论文，激发创造
  • 循环时序修正图网络

    用递归神经网络对时态图的邻居进行汇聚，以获取来自每个节点的完整邻居信息，从而提供具有卓越的理论表达能力和在真实应用中的最先进性能，其中在一个真实世界的电子商务数据集上，相比于现有模型的 2 层模型，平均精确度显著提高了 9.6%。

    Sep, 2023

  • 动态推荐的时序图网络框架

    我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

    Mar, 2024

  • 基于时间图的动态图深度学习

    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

  • TASER：快速准确的动态图表示学习的时间自适应采样

    TASER 是第一个针对准确性、效率和可扩展性进行优化的适用于 TGNNs 的自适应采样方法，通过根据训练动态和过去交互的上下文、结构和时间属性进行微批次选择和邻居选择来提高准确性和训练速度。在五个广受欢迎的数据集上，TASER 的平均平均倒数排名（MRR）比对应的基线高出 2.3％，同时训练时间平均加快 5.1 倍。

    Feb, 2024

  • 基于邻域感知的可扩展时序网络表示学习

    该研究提出一种邻域感知的时间网络模型，使用一种新颖的字典类型邻域表示方法，设计了一种数据结构支持字典表示在 GPU 上并行访问和更新，通过实验表明，该模型在节点链接预测准确性（对于在归纳和传递方式下）优于最先进的基线方法，可以实现该特征的速度提升，并可扩展到多个实际大规模时间网络中。

    Sep, 2022

  • 基于语义增强的时间图网络用于内容流行度预测

    为降低因高清视频流服务和大型神经网络模型如 GPT 带来的流量压力，本研究提出了一种名为 “语义增强时间图网络（STGN）” 的方法，采用动态图神经网络（DGNN）模型预测最流行的内容进行缓存，该模型还引入了额外的语义信息来更好地利用用户之间的联系，以及通过多种机制完成对内容的预测，通过大量仿真实验证明了其在内容缓存方面的优越性。

    Jan, 2023

  • 光谱时空图神经网络用于轨迹预测

    这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

    Jun, 2021

  • 时序网络的高斯嵌入

    TGNE 是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

    May, 2024

  • 时态图上的归纳表示学习

    本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

    Feb, 2020

  • 高效神经常见邻居用于时间图链接预测

    我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。

    Jun, 2024