动态图学习新突破!最新SOTA实现性能全面升级,效率与精度兼得

现实世界中的许多图数据是动态变化的,比如社交网络、交通流量等。而传统的图学习方法通常处理的是静态图,这就导致它缺乏处理动态变化的能力,在适应性方面存在局限性。

相较之下,动态图学习能够捕捉到图数据的动态变化,更适应需要实时更新或反馈的应用场景。这种更具灵活性的方法不仅提升了模型的精度和计算效率,增强了模型的适应性和易用性,也为处理更复杂的现实问题提供了新的思路,是我们做创新发论文的好方向。

本文介绍动态图学习9个最新的创新成果,包含了动态图神经网络、动态图表示学习等热门主题,相应论文以及开源代码已附上,方便各位学习。

论文和代码需要的同学看文末

On the Feasibility of Simple Transformer for Dynamic Graph Modeling(动态图建模)

方法:论文提出了一种称为SimpleDyG的简单Transformer模型,利用Transformer的自注意机制来处理序列建模中的长程依赖。该方法将动态图重新概念化为序列建模的挑战,并引入了一种新颖的时间对齐技术。

创新点:

  • SimpleDyG是一种新颖的动态图建模方法,通过将动态图重新构建为序列建模的问题来解决。它通过使用Transformer的自注意机制来捕捉长期依赖性,从而不仅优于离散时间方法,还优于连续时间方法。

  • SimpleDyG设计了特殊的时间标记来实现全局时间对齐,并保留了本地序列中交互的时间顺序,从而在全局和本地层面上捕捉动态图中的信息。这种时间对齐机制在全局对齐的同时,保留了本地序列的时间信息,与传统的离散时间方法不同。

  • SimpleDyG使用原始的Transformer架构,不需要复杂的修改,将动态图映射为一组序列进行建模,并通过修改输入序列来实现时间对齐。尽管设计简单,但SimpleDyG在各种动态图中表现出了出色的性能。

Environment-Aware Dynamic Graph Learning for Out-of-Distribution Generalization(动态图神经网络)

方法:论文研究了动态图上的分布偏移下的OOD泛化问题,并提出了一种名为EAGLE的新框架来解决这一问题。EAGLE通过建模复杂的潜在环境并利用时空不变模式来实现OOD泛化。首先通过多通道环境分解的环境感知EA-DGNN来建模环境,然后利用推断的环境分布进行环境实例化以实现环境多样化,最后通过不变模式识别机制学习OOD泛化的时空不变模式,并通过混合观测到的和生成的环境实例进行细粒度的因果干预。

创新点:

  • EAGLE是一种针对动态图的out-of-distribution(OOD)泛化问题的创新框架。

  • EAGLE通过建模复杂的环境和利用时空不变模式来处理OOD泛化问题。

  • EAGLE设计了环境感知的EA-DGNN来建模环境,并通过多通道环境解缠机制实现环境的多样性。

  • EAGLE通过时空不变模式识别机制识别出时空不变模式,并通过节点精细因果干预实现精细的因果干预。

Towards Better Dynamic Graph Learning: New Architecture and Unified Librar

方法:论文提出了一种基于Transformer的动态图学习架构(DyGFormer)和一个统一的库(DyGLib),以促进动态图学习的发展。DyGFormer通过邻居共现编码方案和补丁技术来捕捉节点之间的关联和长期时序依赖。DyGLib作为一个工具包,提供了可复现、可扩展的连续时间动态图学习的训练流程、编程接口和评估协议。

创新点:

  • DyGFormer架构:通过邻居共现编码方案和拼接技术,与以往方法不同,该架构在每次交互中利用节点之间的相关性,并帮助模型捕捉长期的时间依赖关系。

  • DyGLib库:作为一个统一的工具库,用于可重现、可扩展和可靠的连续时间动态图学习,具有标准的训练流程、易于扩展的编码接口和全面的评估协议。这个库为研究人员提供了设计新的动态图学习框架的新视角,并鼓励更多的研究人员深入研究这一领域。

Scaling Up Dynamic Graph Representation Learning via Spiking Neural Networks(动态图表示学习)

方法:论文研究了动态图表示学习和脉冲神经网络的背景和相关工作。通过一系列实验,分析了SpikeNet中不同超参数的影响,发现阈值衰减策略对模型性能有益。研究还介绍了问题定义和漏电整流-发射模型。在动态图表示学习方面,提出了基于图快照的时间邻域采样方法,可以从宏观和微观角度捕捉图动态。最后,介绍了SpikeNet框架,可以捕捉时间图中的演化动态,并获得节点嵌入用于下游学习。

创新点:

  • LIF作为时间架构:作者建议使用尖峰神经网络作为时间架构,以捕捉图序列中的动态模式。作者引入了一种神经元阈值的自适应更新策略,允许进行灵活且富有表现力的计算。与之前的工作相比,这种方法提高了模型的灵活性和表现力。

  • 阈值衰减τ th和γ:作者采用了LIF模型的阈值衰减策略来稳定训练。通过改变τ th和γ的值,作者证明了同时减小τ th和增加γ可以提高SpikeNet的性能。结果表明,阈值衰减策略对模型的性能有益。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“动态图学习”获取全部论文+代码

码字不易,欢迎大家点赞评论收藏

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/510609.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

MuJoCo 入门教程(一)

系列文章目录 前言 一、简介 MuJoCo 是多关节接触动力学(Multi-Joint dynamics with Contact)的缩写。它是一个通用物理引擎,旨在促进机器人、生物力学、图形和动画、机器学习以及其他需要快速、准确地仿真铰接结构与环境交互的领域的研究和开…

ssm016基于 Java Web 的校园驿站管理系统+jsp

校园驿站管理系统的设计与实现 摘 要 互联网发展至今,无论是其理论还是技术都已经成熟,而且它广泛参与在社会中的方方面面。它让信息都可以通过网络传播,搭配信息管理工具可以很好地为人们提供服务。针对校园快递信息管理混乱,出…

阿里云优惠券如何领取使用?

阿里云是阿里巴巴旗下云计算及人工智能科技公司,提供云服务器、云数据库、云存储等云计算服务和云解决方案。为了吸引更多的用户,阿里云经常推出各种优惠活动,其中就包括阿里云优惠券。本文将为大家详细介绍阿里云优惠券领取方法及使用教程&a…

Nginx 基础

文章目录 Nginx概念安装下载上传安装包执行准备条件指定安装位置编译和安装启动服务创建启动脚本 linux文件目录nginx运行原理nginx配置域名概念和原理域名配置 Nginx 概念 Nginx 是一个高性能的HTTP和反向代理web服务器,同时也提供了IMAP/POP3/SMTP服务。Nginx是…

211基于matlab的多类结构动力学

基于matlab的多类结构动力学,凸轮机构、双凸轮、弦振动模拟、阻尼振动 、四连杆机构 、套杆运动 、三根弹簧作用的振子。程序已调通,可直接运行。 211 matlab 结构动力学 根弹簧作用的振子 - 小红书 (xiaohongshu.com)

javaweb学习(day10-服务器渲染技术)

一、基本介绍 1.前言 目前主流的技术是 前后端分离 (比如: Spring Boot Vue/React)JSP 技术使用在逐渐减少,但使用少和没有使用是两个意思,一些老项目和中小公司还在使用 JSP,工作期间,你很有可能遇到 JSPJSP 使用在减少(但是现…

Python深度学习034:cuda的环境如何配置

文章目录 1.安装nvidia cuda驱动CMD中看一下cuda版本:下载并安装cuda驱动2.创建虚拟环境并安装pytorch的torch_cuda3.测试附录1.安装nvidia cuda驱动 CMD中看一下cuda版本: 注意: 红框的cuda版本,是你的显卡能装的最高的cuda版本,所以可以选择低于它的版本。比如我的是11…

人工智能|深度学习——基于Xception算法模型实现一个图像分类识别系统

一、Xception简介 在计算机视觉领域,图像识别是一个非常重要的任务,其应用涵盖了人脸识别、物体检测、场景理解等众多领域。随着深度学习技术的发展,深度卷积神经网络(Convolutional Neural Networks,简称CNN&#xff…

阿赵UE学习笔记——24、动画播放控制

阿赵UE学习笔记目录   大家好,我是阿赵。   继续学习虚幻引擎的使用。关于UE的动画系统,之前学习了很多,包括动画合成或者动画蒙太奇等,实际上最后得到的都是一个动画片段。那么这些动画片段,是需要怎样播放控制呢…

乐观锁解决超卖问题

3.6 乐观锁解决超卖问题 修改代码方案一、 VoucherOrderServiceImpl 在扣减库存时,改为: boolean success seckillVoucherService.update().setSql("stock stock -1") //set stock stock -1.eq("voucher_id", voucherId).eq(&q…

STM32-02基于HAL库(CubeMX+MDK+Proteus)GPIO输出案例(LED流水灯)

文章目录 一、功能需求分析二、Proteus绘制电路原理图三、STMCubeMX 配置引脚及模式,生成代码四、MDK打开生成项目,编写HAL库的GPIO输出代码五、运行仿真程序,调试代码 一、功能需求分析 在完成开发环境搭建之后,开始使用STM32GP…

TCP和UDP区别和使用场景

TCP 和 UDP 是计算机⽹络中两种常⽤的传输层协议,⽤于实现可靠传输和⽆连接传输。 TCP TCP(Transmission Control Protocol)是⼀种⾯向连接的、可靠的传输协议。它通过三次握⼿四次挥⼿进⾏连接和断开链接,保证数据的可靠性、…

H5类似Word文档输入框小记

最近一个需求在客户端编辑输入超长文本带下划线。 最开始的input、textarea无法像span一样换行pass了。柳暗无天日之际,被投喂了一个contenteditable 。试了一下,嗯... 乌龟看绿豆--对眼了。 div 加上 contenteditable 后便继承了inputEvent 开启输入模…

【“状态机” 解析UART不定长度的协议帧】

【“状态机” 解析UART不定长度的协议帧】 1. 数据帧格式2. 状态机原理3. 代码实现 通信设计中考虑协议的灵活性,经常把协议设计成“不定长度”。如果一个系统接收上述“不定长度”的协议帧,将会有一个挑战–如何高效接收与解析。一个实例如下图&#xf…

流量卡VS随身WIFI?手把手教你怎么选!流量卡和随身WiFi哪个好?流量卡和随身WiFi的区别!流量卡和随身WiFi哪个更划算?流量卡和随身WiFi怎么选?

出门在外,网络、流量已经成为了我们必不可少需要考虑的问题!在选择如何获取大流量时,很多人都选择困难:是选择一张流量卡,还是一个随身WIFI? 今天,将从功能与形态、信号、适用场景、限制条件等多…

初阶数据结构—算法的时间复杂度和空间复杂度

第一章:数据结构前言(Lesson 1) 1. 什么是数据结构? 数据结构 (Data Structure) 是计算机存储、组织数据的方式,指相互之间存在一种或多种特定关系的 数据元素的集合。 2. 什么是算法? 算法(Algorithm)…

Linux学习笔记————C 语言版 LED 灯实验

这里写目录标题 一、实验程序编写二、 汇编部分实验程序编写三、C 语言部分实验程序编写四、编译下载验证 汇编 LED 灯实验中,我们讲解了如何使用汇编来编写 LED 灯驱动,实际工作中是很少用到汇编去写嵌入式驱动的,毕竟汇编太难,而…

X射线源电流电压的实际影响

在进行实际实验的时候,感觉X射线电流电压好像对于成像质量的影响差不多,分不清楚了,这里记录一下,还没探索到原因。 80kv 500uA 功率:40W 90kv 300uA 功率:27W 90kev 600uA 110v 300uA

java的警示之有危险的行为

👨‍💻作者简介:👨🏻‍🎓告别,今天 📔高质量专栏 :☕java趣味之旅 欢迎🙏点赞🗣️评论📥收藏💓关注 💖衷心的希…

Sketch webView方式插件开发技术总结

Sketch作为一款广受欢迎的矢量图形设计工具,其功能远不止基础的矢量设计,它的真正实力部分源自其丰富的插件生态系统。Sketch向开发者提供了官方的第三方插件接口,这使得整个社区能够创建和分享众多功能各异的插件,极大地拓展了Sk…