- 加权边动态网络的潜空间模型
采用潜空间模型,利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展,应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据,通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。
- 使用动态图神经网络的动态网络基础和建模:一项综述
本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述,旨在解决跨学科研究和术语不一致等挑战。
- 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。
- MM超可靠低延迟车联网通信的主动学习方法
本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术,利用高斯过程回归方法实现在线无中央控制机制的网络动态学习,实时预测未来 AoI,最小化 AoI 超过阈值的概率,并取得了 50% 以上的效果提升。
- AAAI动态网络和时态知识图谱的神经潜空间模型
本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference,该模型能够表示并预测网络结构的演化,并在同质、双部分和异质网络的真实数据集上表现出优异的性能。
- E-LSTM-D:用于动态网络链接预测的深度学习框架
本文利用深度学习中的长短时记忆(LSTM)算法,提出了一种新的编码 - 时间序列解码(Encoder-LSTM-Decoder, E-LSTM-D)深度学习模型,能够在一个统一的框架内自动学习结构和时间特征,有效地处理动态网络中的链接预测问 - dynnode2vec:可扩展的动态网络嵌入
本文介绍了一种动态网络嵌入方法 dynnode2vec,解决了静态网络嵌入方法在动态网络上运用的问题,并在多个大型动态网络数据集上进行了实证评估。
- IJCAI从边缘到中心:网络演进中的信息代理
本文研究了社交网络理论中的三个主题:网络的中心 / 边缘划分、网络动力学和新成员的社会融入,并通过建立关系的过程捕捉信息中介,提出了三种策略来帮助新成员通过信息中介与动态网络互动,以达到从边缘到中心的整合。通过在四个真实世界数据集和四个网络 - AAAI动态网络的生成模型与应用
本文提出了一种基于潜在空间的统计模型,用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析,该模型可应用于社区检测和链路预测等任务,并与现有方法相比表现出更好的效果。
- NIPSCavs: 动态神经网络的顶点中心编程接口
介绍了一种基于顶点中心编程的接口和优化系统实现方法,用于有效地处理动态深度学习模型的训练,通过减少无用的图形构造和预处理开销,展现出批量执行和记忆管理的优势。
- 潜变量动态网络模型综述
本文回顾了动态网络的统计建模方法。我们重点介绍具有潜在变量的模型,特别是潜在空间模型和潜在类模型,旨在研究网络的观察特征和未观察结构。同时,我们还总结了这些动态模型在文献中研究的应用,并列出了数据来源。在此基础上,我们概括了动态网络建模中潜 - DynaMo: 动态社群检测,逐步最大化模块度
提出一种新型的基于模块度的动态社区检测算法 DynaMo,相比于传统的静态算法,它能更高效地检测到动态社交网络中的社区结构,经过多实验证明在效果和速度上优于 Louvain 算法和五种其它动态算法。
- 学习动态环境下的带属性网络嵌入
本研究提出了一种新的动态属性网络嵌入框架 ——DANE,该框架采用了一种离线方法来达成共识嵌入,然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。
- IJCAI动态社交网络的快速变点检测
本研究介绍了一种有效率高的算法,用于在动态网络的快照模型下,检测变化点,并将此算法应用到合成和真实世界网络上,速度比现有技术提高 9 倍,并且效果也得到了提升。
- 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。
- 从信息级联中跟踪切换动态网络拓扑
本文提出了一种切换动态结构方程模型,用于跟踪动态网络中基础拓扑的离散确认背后的驱动离散状态,一个通过交替最小二乘求解的快速一阶邻域梯度算法,验证试验表明这种方法的功效。
- MM面向对象知识表示中的继承
本文探讨了在面向对象编程、框架和面向对象动态网络等知识表示模型中的继承机制,同时讨论了不确定和不精确知识表示中的继承。提出了新类型的继承、所有已知继承类型和方法的普遍分类以及一种允许避免在面向对象动态网络及其模糊扩展中出现问题的方法。所提出 - KDD使用链接预测处理动态网络中的过采样问题
本文研究了动态网络数据中过采样的问题,发现它会影响许多算法问题的质量,尤其是在边预测任务中。作者提出了一种新颖的生成式噪声模型,并利用边预测来恢复过采样效应。作者在合成和实际数据上进行了实验验证。
- 基于随机模块转换模型的动态网络分析
本文提出了一种基于随机块模型思想的动态网络模型,不同于以往大多数的动态网络模型,它不对边级动态做出隐藏的马尔可夫假设,且采用了一种近似的推理方法,得到的结果能更好地复制真实社交网络数据中边的持续时间。
- 动态随机块模型用于时间演化社交网络
本文提出了一个状态空间模型,将静态网络的随机块模型扩展到动态网络的建模中,并使用扩展卡尔曼滤波器配合局部搜索来拟合模型,实验表明此算法与使用马尔可夫蒙特卡罗抽样的最先进算法相竞争,但计算代价显著降低。