- 通过数据自适应随机过程从稀缺观察中学习连续网络的新兴动态
通过稀疏观测数据,我们引入了一种新的随机过程,称为神经常微分方程过程,用于学习连续网络动态,在各种领域中的网络动态具有优秀的数据适应性和计算效率,并可以适应新的网络动态,仅需要约 6% 的观测数据比例,并且显著提高了对新动态的学习速度。
- 残差循环网络中的褪色记忆作为归纳偏差
通过引入弱耦合残差循环神经网络(WCRNNs),本研究调查了残差连接对性能、网络动力学和记忆属性的影响,并展示了特定形式的残差连接如何提高实用表达能力。
- 自回归 GNN-ODE GRU 模型用于网络动态
本文介绍了一种基于自回归 GNN-ODE GRU 模型(AGOG)的方法,通过对复杂系统连续动态过程的建模和预测实现了任意时间节点状态的数据驱动预测,展示了在插值重建、外推预测和正常序列预测等三个任务中的精度表现。
- 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。
- T-EDGE: 面向以太坊交易网络分析的时间加权多重有向图嵌入
本研究通过考虑交易网络的现实规则和特性,首先将以太坊交易网络建模为一个时态加权多重有向图,然后定义时间加权多重有向图嵌入问题,在节点分类实验中证明了该方法的有效性。
- KDD演化网络中的时间模式挖掘
本研究旨在利用时间模式挖掘技术,在不作任何先验假设的情况下,基于观测到的网络快照,探测和表征演化网络在时间上的变化,并从中提取有价值和潜在有用的知识。
- 一种基于状态空间的分段线性循环神经网络方法,用于从神经测量数据重建非线性动力学
开发了一个半解析的最大似然估计方案,用于基于状态空间模型的分段线性递归神经网络(PLRNNs)中,可以在观察到的神经元时间序列中恢复出相关的动态,并直接将其与计算特性联系起来。
- 动态社交网络中基于进化算法的链接预测
描述、解释网络动态变化的关键挑战之一是预测短期和长期变化,在考虑增强节点属性和网络拓扑特征的基础上,应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接,从而为推特回复网络的演化提供一些计算机建模的线索。
- 基于网络的凸共识优化的八卦算法
本文提出了一种基于 Pairwise Equalizing (PE) 和 Pairwise Bisectioning (PB) 两种谷仓算法的一种解决无约束,可分离,凸的共识优化问题的方法,此方法易于实现,跳过次梯度算法的局限性,产生了切换