Dynamic Graph Embedding

整理：AIGraph

內容：7篇Dynamic Graph Embedding相關的內容

簡介：本文匯總了7篇Dynamic Graph Embedding相關的內容

1.Streaming Graph Neural Networks

• https://arxiv.org/pdf/1810.10627.pdf

• Yao Ma, Ziyi Guo, Zhaochun Ren, Eric Zhao, Jiliang Tang, Dawei Yin

現有大多數圖模型都是為靜態圖設計的，但是我們知道許多圖是動態變化的，比如說，社交網絡會隨著新用戶加入和新關系建立進行一定的演化和重構。目前設計的模型不能很好地利用這些圖的動態特性。因此，有必要設計用于動態圖的專用圖神經網絡。在本文中，作者提出了一種新的動態圖神經網絡模型DGNN，提出的框架可以通過捕獲邊（交互作用）的順序信息，利用邊之間的時間間隔和信息傳播的連貫性來保持更新節點信息。

對于不同狀態的結點進行不同的更新方式

2.Dynnode2vec: Scalable Dynamic Network Embedding

• https://arxiv.org/abs/1812.02356

• Sedigheh Mahdavi, Shima Khoshraftar, Aijun An

現有的圖嵌入方法大多是針對靜態網絡設計的，不能捕獲大規模動態網絡中的演化模式。本文在已有的圖嵌入方法node2vec的基礎上，提出了一種動態嵌入方法dynnode2vec。Node2vec是一種基于隨機游走的靜態網絡嵌入方法。將靜態網絡嵌入到動態環境中有兩個關鍵問題：1）為每個時間步生成隨機游動是非常耗時的；2）在每個時間戳中嵌入向量空間是不同的。為了解決這些問題，dynnode2vec使用進化隨機游動，并使用先前的嵌入向量初始化當前的圖嵌入。作者通過對幾個大型動態網絡數據集進行經驗評估，展示了所提出的動態網絡嵌入效果。

3.Dynamic Network Embedding: An Extended Approach for Skip-gram based Network Embedding

• https://www.ijcai.org/proceedings/2018/0288.pdf

• Lun Du, Yun Wang, Guojie Song, Zhicong Lu, Junshan Wang

網絡嵌入作為一種學習頂點低維表示的方法，在許多應用中都被證明是非常有用的。很多的圖模型都是基于Skip-gram算法的，但是這些方法主要集中在靜態網絡嵌入上，不能自然地推廣到動態環境中。本文提出了一個穩定、高效的動態嵌入框架, 這是對基于skip-gram網絡嵌入方法的一個擴展，同時在理論上保證了基于skip-gram網絡嵌入方法目標的最優性。該模型可以推廣到學習新頂點表示。在三個實際網絡上的節點分類表明，該模型能夠有效地更新頂點表示，同時達到再訓練的性能。

4.EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs

• https://arxiv.org/abs/1902.10191

• Aldo Pareja, Giacomo Domeniconi, Jie Chen, Tengfei Ma, Toyotaro Suzumura, Hiroki Kanezashi, Tim Kaler, Charles E. Leisersen, ArXiv.

現有的方法通常采用節點嵌入，并使用遞歸神經網絡（廣義上說是RNN）來調節節點的嵌入并學習時間變化的動態特征。這些方法需要了解整個時間范圍內的節點（包括訓練和測試），并且不適用于頻繁更改節點集的情況。在某些極端情況下，不同時間步長的節點集可能會完全不同。為了解決這一挑戰，我們提出了EvolveGCN，它沿時間維度適應圖卷積網絡（GCN）模型，而無需借助節點嵌入。所提出的方法通過使用RNN演化GCN參數來捕獲圖序列的動態性。考慮兩種架構進行參數演化。我們評估提出的方法，包括鏈接預測，邊緣分類和節點分類等任務。實驗結果表明，與相關方法相比，EvolveGCN的性能通常更高。

思路清奇：學習演化的權重

5.Gated Residual Recurrent Graph Neural Networks for Traffic Prediction

• https://oar.a-star.edu.sg/jspui/bitstream/123456789/3020/1/AAAI-ChenC.4591.pdf#page8

• Cen Chen, Kenli Li, Sin G. Teo, Xiaofeng Zou, Kang Wang, Jie Wang, Zeng Zeng, AAAI 2019.

交通流預測對于交通管理和公共安全具有重要意義，同時也受到許多復雜因素的影響，如復雜路網的空間依賴性、時間動態等，因此具有很大的挑戰性。由于交通狀態的不確定性和復雜性，這些因素使得交通預測成為一項具有挑戰性的任務。在文獻中，許多研究工作將卷積神經網絡（CNNs）與遞歸神經網絡（RNNs）相結合應用于交通預測問題，前者用于空間相關性，后者用于時間動力學。然而，這樣的組合不能捕捉到交通網絡的連通性和全局性。本文首先提出采用殘差遞歸圖神經網絡（Res-RGNN）來聯合捕獲基于圖的空間依賴和時間動態。由于梯度消失，RNNs很難捕捉到周期性的時間相關性。因此，我們進一步提出了一種新的skip Res-RGNN的方案來利用周期時間依賴。在Res-RGNN和hop-Res-RGNN的基礎上，提出了一種新的端到端多Res-RGNNs流量預測框架MRes-RGNN。在兩個流量數據集上的實驗結果表明，所提出的MRes-RGNN方法明顯優于現有的方法。

6.Structured Sequence Modeling with Graph Convolutional Recurrent Networks

• https://arxiv.org/abs/1612.07659

• Youngjoo Seo, Micha?l Defferrard, Pierre Vandergheynst, Xavier Bresson, ICONIP 2017.

本文介紹了圖卷積遞歸網絡（GCRN）一種能夠預測結構化數據序列的深度學習模型。 準確地說，GCRN是經典遞歸神經網絡（RNN）對由任意圖構成的數據的概括。 這樣的結構化序列可以表示視頻中的一系列幀，傳感器網絡上的時空測量值或詞匯表上的隨機游走，用于自然語言建模。 所提出的模型在圖上結合了卷積神經網絡（CNN）來識別空間結構，并在RNN中找到動態模式。 我們研究了GCRN的兩種可能的體系結構，并將模型應用于兩個實際問題：預測移動的MNIST數據，以及使用Penn Treebank數據集對自然語言進行建模。 實驗表明，同時利用圖形表示關于數據的空間和動態信息可以提高精度和學習速度。

7.Dynamic Network Embedding by Modeling Triadic Closure Process

• http://yangy.org/works/dynamictriad/dynamic_triad.pdf

• Lekui Zhou, Yang Yang, Xiang Ren, Fei Wu, Yueting Zhuang. AAAI 2018.

在本文中，作者提出了一種新的表示學習方法DynamicTriad，既可以保留給定網絡的結構信息又可以保留其演化模式?？傮w思路是采用三元組的方式，也就是三個頂點構成的數據結構，這也是網絡的基本單位之一。具體地，作者對由三個相互連接的頂點組成的封閉三合會建模：如何從不相連的狀態到相連的狀態。這個三元組閉合的演化過程是網絡形成和演化的基本機制，因此能夠捕獲網絡動態的變化并學習不同時間步長的頂點的表示。該方法可以有效地應用識別移動網絡中的電話欺詐行為，并預測用戶是否將在貸款網絡中償還其貸款等。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊AI基礎下載（pdf更新到25集）備注：加入本站微信群或者qq群，請回復“加群”獲取一折本站知識星球優惠券，請回復“知識星球”喜歡文章，點個在看

總結

以上是生活随笔為你收集整理的图系列|7篇动态时空图网络学习必读的顶会论文的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。