Aug, 2024

动态网络中的对比表示学习用于链接预测

HTML
PDF
TL;DR本研究解决了如何有效学习时间网络的表示以进行动态链接预测的问题。我们提出了一种自监督的对比训练方法，通过结合链接预测、图重构和对比预测编码损失，构建了一种递归消息传递神经网络架构。在多个数据集上测试后，该方法显示出比现有模型更优越的性能，能够有效提升链接预测的准确性。
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

  • 动态图上的表示学习

    本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。

    Mar, 2018

  • 时序图上的节点嵌入

    该论文提出了一种节点嵌入方法，通过学习时间图的节点和边的演变，利用一种时间节点嵌入模型进行不同的图形预测任务，并通过合并历史嵌入，优化每个特定任务来创建一个节点的时间嵌入。评估表明，与竞争基线和算法替代方案相比，我们的算法在许多数据集和基线上都显示出性能改进，并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。

    Mar, 2019

  • 具备微观和宏观动态的时间网络嵌入

    本研究提出了一种新的时变网络嵌入方法M2DNE，它能够精细地捕获网络结构和性质中的微观和宏观动态，大量实验证明M2DNE在传统任务和时间倾向相关任务中的表现均显著优于现有技术。

    Sep, 2019

  • 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

  • TCL: 基于Transformer动态图对比学习建模

    本文介绍了一种新颖的图神经网络方法，基于图转换器，引入了两个流编码器，另外通过对比学习来使动态表示具有高级别(或全局)语义，提高了交互预测的准确性。

    May, 2021

  • 基于时间序列预测的时序图结构学习

    本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。

    Jun, 2023

  • 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

  • 在现实世界中探索时间粒度对动态链接预测的影响

    通过广泛的实验，我们研究了训练动态图神经网络时时间粒度对性能和鲁棒性的影响，发现复杂的记忆机制和合适的时间粒度对于在动态链接预测任务中获得竞争力和鲁棒性的动态图神经网络至关重要。我们还讨论了考虑模型和数据集中的局限性，并提出了未来关于时间图时间粒度的研究方向。

    Nov, 2023

  • 时间网络嵌入动态下的时间链接预测

    通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。

    Jan, 2024