读论文《Temporal Graph Networks for Deep Learning on Dynamic Graphs》

最新推荐文章于 2024-12-09 12:02:48 发布
最新推荐文章于 2024-12-09 12:02:48 发布
阅读量1.7k 收藏 12
点赞数 32
分类专栏： 读论文 语义知识图谱 文章标签： 深度学习 人工智能 机器学习 推荐算法 神经网络 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/buganything/article/details/141398052
版权

论文地址：[2006.10637] Temporal Graph Networks for Deep Learning on Dynamic Graphs (arxiv.org)

项目地址：GitHub - twitter-research/tgn: TGN: Temporal Graph Networks

作者提出了一种名为Temporal Graph Networks（TGNs）的新型深度学习框架，专门用于处理动态图数据。动态图是指图的结构或特征随时间变化的图，例如社交网络或生物互作网络。

1. 引言

  • 图表示学习在多个领域取得了成功，但大多数方法假设图是静态的。
  • 真实世界的交互系统通常是动态的，学习动态图是相对新颖的领域。

2. 背景

  • 静态图由节点和边组成，图神经网络（GNN）通过消息传递机制来聚合邻居节点信息，生成节点嵌入。
  • 动态图分为离散时间动态图（DTDG）和连续时间动态图（CTDG）。离散时间动态图（DTDG）是按时间间隔拍摄的静态图快照序列。连续时间动态图（CTDG）更通用，可以表示为事件的定时列表，其中可能包括边添加或删除、节点添加或
最低0.47元/天 解锁文章
Relational inductive biases, deep learning, and graph networks（关系归纳偏差、深度学习和图形网络）
weixin_41697507的博客
07-15 5165
Relational inductive biases, deep learning, and graph networks Peter W. Battaglia1, Jessica B. Hamrick1, Victor Bapst1, Alvaro Sanchez-Gonzalez1, Vinicius Zambaldi1, Mateusz Malinowski1, Andrea Tacche...
A Gentle Introduction to Deep Learning for Graphs 图深度学习的温和介绍
m0_44967199的博客
02-17 5045
文章目录1.简介2. 高级概述2.1、数学符号 论文：A Gentle Introduction to Deep Learning for Graphs 作者：Davide Bacciua, Federico Erricaa, Alessio Michelia, Marco Poddaa 意大利比萨大学计算机科学系 来源：Machine Learning (cs.LG) 论文链接： https:/...
TGN：Temporal Graph Networks论文解读
qq_40022890的博客
02-18 6315
TGN：Temporal Graph Networks论文解读 白马非马异度侵入今天 “ 图神经网络（GNNs）的研究已经成为今年机器学习领域的热门话题之一。GNNs最近在生物、化学、社会科学、物理等领域取得了一系列成功。但GNN模型目前以静态图上偏多，然而现实世界许多关系是动态的，比如社交网络、金融交易和推荐系统，动态的变化包含了许多重要信息，只考虑静态图，很难捕捉到其中信息。 ” 本篇文章发表在ICLR2020上，对动态图的节点进行连接预测。TGN中，作者除利用传统的图神经网络捕捉非...
论文阅读 TEMPORAL GRAPH NETWORKS FOR DEEP LEARNING ON DYNAMIC GRAPHS
「 虚幻私塾」
07-18 540
提出了时间图网络(TGNs)，一个通用的，有效的框架，在动态图上的深度学习表示为时序事件序列。由于记忆模块和基于图的操作的新颖组合，TGN在计算效率更高的同时，显著优于以前的方法。
Temporal Graph Networks for Deep Learning on Dynamic Graphs
Milkha的博客
03-01 1464
文章目录1 前言2 问题定义3 TGN思路3.1 Memory3.2 Message Function3.3 Message Aggregator3.5 Memory Updater3.5 Embeddings4 方法的优势与局限性 论文地址：https://arxiv.org/pdf/2006.10637.pdf 来源：ICML 2020 Workshop slides：tgn 源码地址：tgn 关键词：graph representation, temporal graph 1 前言 该论文主要解决
TGN：Temporal Graph Networks for Deep Learning on Dynamic Graphs
yxh的博客
08-31 6544
2、Background 2.1 Deep learning on static graphs 一个静态图 G=(V,E)\mathcal{G}=(\mathcal{V},\mathcal{E})G=(V,E) 包含结点 V=1,...,.n\mathcal{V}={1,...,.n}V=1,...,.n 和边 E⊆V×V\mathcal{E}\subseteq\mathcal{V}\times\mathcal{V}E⊆V×V，军备赋予了 features，对于所有的 i,j=1,...,ni,j=1,..
【论文下饭】Temporal Graph Network for Deep Learning on Dynamic Graphs
LittleSeedling的博客
04-27 4841
文章目录1 介绍2 背景3 Temporal Graph Network3.1 核心模块MemoryMessage Function(msg)Message Aggregator(agg)Memory Updater(mem)Embedding(emb)3.2 训练4 相关工作5 实验5.1 性能表现（实验结果）5.2 模块选择MemoryEmbedding MoudleMessage AggregatorNumber of layers6 结论 综述 Representation Learning for
TGN: TEMPORAL GRAPH NETWORKS FOR DEEP LEARNING ON DYNAMIC GRAPHS论文笔记
年年年的博客
05-08 4191
TEMPORAL GRAPH NETWORKS FOR DEEP LEARNING ON DYNAMIC GRAPHS摘要贡献背景静态图表示学习动态图表示学习 摘要 本文提出了时间图网络（TGNs），这是一种通用的，有效的框架，可用于对以时间事件序列表示的动态图进行深度学习。 贡献 提出了时间图网络（TGN）的通用归纳框架，该框架在以事件序列表示的连续时间动态图上运行，并表明许多以前的方法都是TGN的特定实例。 新颖的训练策略，允许模型从数据的顺序中学习，同时保持高效的并行处理。 作者对框架的不同组成部
文献阅读《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecasting》
2301_77549977的博客
03-04 764
本文聚焦的问题：交通预测现在的问题：①中期和长期的预测任务②忽略了时间和空间上的相关性本文的贡献：设计了STGCN（时空图卷积网络）处理交通领域的时间序列预测优点：训练速度快，参数少特点：①we formulatethe problem on graphs 在图上公式化难题② build the model with complete convolutional structures使用完整的卷积网建立模型。
文献阅读（75）ICML Workshop2020-Temporal Graph Networks for Deep Learning on Dynamic Graphs
CSDNTianJi的博客
11-14 790
本文是对《Temporal Graph Networks for Deep Learning on Dynamic Graphs》一文的总结，如有侵权即刻删除。
Spatial Temporal Graph Convolutional Networks
02-10
时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文
Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey
小蚂蚁与大象
08-23 1274
多图卷积 Multi-Graph Convolution在城市系统中，在空间尺度上存在着多种关系。例如，在交通系统中，相似的交通模式可能存在于相邻区域和具有相似POI的区域中。因此，同时考虑多个空间关系对于STGNN中的时空依赖性学习是不可忽视的。该模型首先基于邻域、功能相似性和连通性构造多图，以表征多种空间相关性。对于每个图，分别采用上下文门控RNN和ChebNet来捕获时间和空间相关性。最后，通过融合并行化的多图时空隐藏信息，得到最终的预测结果。
Temporal Graph Networks (TGN) 项目常见问题解决方案
gitblog_00484的博客
12-09 961
Temporal Graph Networks (TGN) 项目常见问题解决方案 tgn TGN: Temporal Graph Networks 项目地址: https://gitcode.com/gh_mirrors/tg/t...
【Sichuan 2017D】Dynamic Graph
dingguayi7025的博客
07-15 164
题意 300个点的无环图，开始都是白色，每次改变某个节点的颜色(黑/白)，问有多少对白点之间存在只有白点的路径。 题解 类似floyd，求出两点之间的路径条数。然后白到黑就删去对应路径，黑到白就增加对应路径。再扫一遍路径数大于0的白点对。 代码 #include <cstdio> #include <cstring> #define N 301 int g[N][...
Twitter Research的时空图神经网络库（TGN）指南
gitblog_00989的博客
08-21 912
Twitter Research的时空图神经网络库（TGN）指南 项目地址:https://gitcode.com/gh_mirrors/tg/tgn 项目介绍 TGN (Temporal Graph Networks) 是Twitter Research团队开发的一个开源库，专注于处理时空数据中的图神经网络问题。它旨在提供一个高效且灵活的框架，支持在动态图上的学习任务，如节点分类、边预测等。该...
Dynamic Graph
青烟绕指柔的博客
07-24 892
题目链接：Dynamic Graph 很简单的一道题，但是要注意细节。 更新的时候暴力更新就好了，然后拓扑上面维护Bitset，但是要注意黑点不能直接跳过，直接不去更新颜色即可，如果直接跳过会导致某些点加不进来。 AC代码： #pragma GCC optimize("-Ofast","-funroll-all-loops") #include<bits/stdc++.h> //#define int long long using namespace std; const int N=31
Dynamic Graph (dp,bitset)
柳予欣的三味书屋~
10-05 306
链接：https://ac.nowcoder.com/acm/contest/1110/D 来源：牛客网 时间限制：C/C++ 1秒，其他语言2秒 空间限制：C/C++ 32768K，其他语言65536K Special Judge, 64bit IO Format: %lld 题目描述 Bobo has a directed acyclic graph (DAG) with n nod...
TodyNet: Temporal Dynamic Graph NeuralNetwork for Multivariate Time Series Classification
qq_46474804的博客
03-04 1472
本文提出了一种新的时间动态图神经网络（TodyNet），可以在没有预定义图结构的情况下提取隐藏的时空依赖关系。它使得信息能够在孤立但隐式相互依赖的变量之间流动，并通过动态图机制捕捉不同时间段之间的关联，进一步提高了模型的分类性能。与此同时，由于图神经网络（GNNs）的限制，无法学习图的分层表示。因此，我们还设计了一个时间图池化层，以获取具有可学习时间参数的全局图级表示，用于图的学习。动态图、图信息传播和时间卷积在一个端到端的框架中共同学习。
Dynamic Graph Map Animation
algzjh的博客
08-16 263
论文传送门
动态神经网络
最新发布
03-08
为了更好地捕捉这种复杂性和演化规律，在Temporal Graph Networks for Deep Learning on Dynamic Graphs一文中提出了针对动态图表的时间感知表示方法[^2]。该框架允许模型理解节点间交互的历史背景及其发展趋势，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

请站在我身后

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值