- KDD基于图信息瓶颈的自解释时变图网络
基于图信息瓶颈的自解释时态图网络(TGIB)是一种新的内置解释框架,能够同时对事件发生和解释进行预测,通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明,与现有方法相比,TGIB 在链接预测性能和可解释性方面具有优势。
- 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 - 利用扩展图进行时态图重构
提出了一种用于时态图的图重连方法,利用扩展图传播构建消息传递路径以实现远距离节点之间的通信。在公共数据集上验证了该方法对提高时态图神经网络性能的有效性。
- 时态图上的状态空间模型:第一原理研究
本研究通过将结构信息整合到在线逼近目标中,采用拉普拉斯正则化项,将状态空间模型理论扩展到时间图,提出了 GraphSSM 框架,用于建模时间图的动态性,实验证明 GraphSSM 在各种时间图基准测试中的有效性。
- 超越时空表示:进化的时域图傅里叶变换
我们提出了 Evolving Graph Fourier Transform(EFT),这是第一个捕捉时变图表现的可逆谱变换方法。我们通过现有的捕捉时变图谱的方法的不足以及计算复杂性来激励我们的工作。我们将问题视为连续时间动态图的 Lapl - 基于 TGX 的时序图分析
TGX 是一个 Python 软件包,特别设计用于分析时态网络,它提供数据加载、数据处理和演化图分析的自动化流程,支持多种内置和外部数据集,并且提供了数据处理功能和网络分析方法,适用于社交网络、引用网络和用户互动等领域。
- 时态图中的节点特征预测的在线算法
我们在这篇论文中提出了一种名为 “mspace” 的在线算法,用于预测时态图中的节点特征,该算法巧妙地捕捉到不同节点之间的空间交叉相关性以及节点内部的时间自相关性。与基于图神经网络(GNN)模型和传统卡尔曼滤波器等各种基准方法进行了比较评估 - 基于嵌入的时态图距离
使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离,研究了匹配图和不匹配图的情况,并展示了该距离定义对于具有不同结构和时间特性的图的区分能力,并提出了一种适用于大规模暂态图的有效距离计算实现,并利用先进的机器学习技术进行了优化。
- LasTGL: 大规模时间图学习的工业框架
LasTGL 是一个用于解决时间图学习问题的产业框架,它整合了常见的时间图学习算法的统一和可扩展实现,并提供了全面的时间图数据集、TGNN 模型和工具,适用于初学者和专业深度学习从业者。
- TempME:通过模式发现实现时间图神经网络的解释性
针对当前时间图神经网络(TempME)的关键挑战,提出了一种新颖的方法:Temporal Motifs Explainer(TempME),用于揭示触发该模型预测的最关键时间图案,实验证明 TempME 在解释准确性方面取得了优势,并提升了 - 利用因果意识图神经网络预测动态图中的时序中心度
利用 De Bruijn 图神经网络(DBGNN)来预测时间序列数据中的时间路径中心性,显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。
- 实时图实验室:开放、动态和真实的非同质化交易图
通过对 NFT 生态系统的时间图分析,研究了其特性、动态和潜在发展方向,并利用机器学习模型丰富现有数据集,为图数据社区提供了新的机会。
- 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%。
- 用于时态图机器学习的时态图基准测试
Temporal Graph Benchmark 是一个收集了各种涉及社交、贸易、交通等网络领域的大规模数据集,用于实现机器学习模型在时间图上的现实、可重复和强大的评估。此外,该研究表明对于动态节点属性预测任务,简单的方法往往比现有的时间图 - 深度时变图聚类
提出了基于交互序列的批处理模式的 deep Temporal Graph Clustering (TGC) 框架,通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明,TGC 框架可以有效提高现有临时图学习方法的性能。
- IJCAI时态网络创造博弈
本文研究了时间图和博弈论网络形成模型,介绍了一种简化的模型,证明了它的均衡点是时间跨度算法问题中的一个解,指出了需要深入研究策略代理人创造时间图的难点。
- ICLR开放式时态图神经网络
该研究围绕开放时序图的动态信息传递和类别增量学习问题,提出了一种名为 OTGNet 的新学习框架,通过信息瓶颈原则和子图结构筛选策略,在不聚合矛盾信息的前提下,只传递类别不相关的信息,实现了在开放类别集合下的有效信息传递和学习。在三个不同领 - AAAIFTM:一种用于时态图表示学习的帧级时间线建模方法
该论文提出了一种基于 Frame-level Timeline Modeling (FTM) 的邻居聚合策略,用于学习捕捉时间性 Graph 数据的短期和长期特征的表示,并在常用的数据集上得到了较大的性能改进,具备更好的健壮性和领域通用性。
- 网络解缠计算复杂性的分解
研究网络解缠问题及其在时态图上的应用,分析该问题的数据挖掘应用及其 NP-hard 和参数化复杂性,并对其四个主要参数展开复杂性分析,确定固定参数可解性的边界。
- AAAITIGGER:面向时间交互图的可扩展生成建模
本文提出了一种称为 TIGGER 的新型生成模型,该模型采用时间点过程结合自回归建模,既支持传导变体又支持归纳变体,是一种性能优越、速度快三个数量级,能够生成更真实图形的模型。