Jun, 2024

使用动态图嵌入轨迹增强跨学科洞见力

PDF
TL;DRDyGETViz 是一个用于可视化动态图 (DGs) 的新框架，它利用了离散时间动态图 (DTDG) 模型的最新进展，灵活处理动态图中固有的时间动态。DyGETViz 能够有效捕捉图中的微观和宏观结构变化，为表示复杂而庞大的动态图提供了一种强大的方法。通过 DyGETViz 的应用，揭示或证实了各种重要的发现，包括在线社区的内容分享模式和专业化程度的多样性、词汇表在几十年间的时间演化以及与衰老相关和非相关基因展示出的不同轨迹。DyGETViz 通过简化动态图的复杂性，提高了科学发现对非专业人士的可访问性。我们的框架作为一个开源 Python 包发布，可用于各个学科领域。我们的工作不仅解决了可视化和分析 DTDG 模型的持续挑战，还为未来在各个学科领域动态图表示和分析的研究奠定了基础。
发现论文，激发创造
  • 面向异步结构演变的时态动态图嵌入

    该论文提出了一种用于动态图的时间感知变压器来嵌入顶点表示的方法，该方法使用时间边缘序列来维护异步结构演变，并在多个数据集上展示了其在图挖掘任务中的优越性能。

    Jul, 2022

  • 时变图和动态网络

    本文旨在将分布式计算文献中的各种概念、形式主义和结果整合到一个统一框架中，我们将其称为时间变化图表（TVG），并概括性地介绍它们的分类和应用。

    Nov, 2010

  • 神经网络下的动态图表征学习：综述

    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

  • DynGEM: 动态图深度嵌入方法

    本文提出了 DynGEM 算法，基于最近深度自编码器对图嵌入的研究，旨在解决动态图嵌入问题，实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中，DynGEM 表现出优异的稳定性和可扩展性。

    May, 2018

  • dyngraph2vec：使用动态图表示学习捕获网络动态性

    基于嵌入方法的动态图形表示学习，结合密集和递归层，研究动态图形中的链路预测问题，并在两个真实数据集上验证了其优越性。

    Sep, 2018

  • 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

  • TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长

    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

  • 利用动态图转换器预测研究社区中的技术专长和能力演变

    利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。

    Jul, 2023

  • 长视频中的时间性字符分组的统一及动态图

    该论文提出了一个统一动态图（UniDG）框架，用于视频时间特征分组，通过统一表示网络、动态图聚类和渐进关联方法实现了多模态聚类结果的融合，通过在 MTCG 数据集上的评估以及现有聚类和检索数据集上的验证，实验证明我们的方法可以取得有希望的结果，并且胜过几种最先进的方法。

    Aug, 2023

  • 从文本游戏创建时态动态知识图谱

    自然语言处理中，互动文本游戏作为互动 AI 系统的测试平台，先前的研究提出通过离散知识图谱构建来玩文本游戏，为了解决之前方法的固有弱点而保持其高解释性，我们提出了一个新的神经网络建模方法：通过以时间戳图事件序列表示动态知识图谱，并使用时间点图神经网络对其进行建模。通过对 TextWorld 游戏数据集进行实验，我们证明了这种方法优于之前的方法，并通过消融实验表明了时间信息对性能的重要性，并展示了该方法能够推广到存在相同标签物体的复杂环境中。

    Nov, 2023