研究人员开发了一种新方法，通过整合时间词缀签名来增强时间图神经网络（TGNN）。这些签名能够捕捉交互流中的预测模式，如重复和互惠，而标准TGNN通常会忽略这些模式。所提出的方法使用紧凑的特征图，可以集成到现有的TGNN架构中，并在真实和合成数据集的各种预测和分类任务中持续提高性能。 AI
影响 增强了图神经网络对时间序列数据的预测能力。
排序理由 该集群包含一篇详细介绍时间图神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2606.01176v1 Announce Type: new Abstract: Real temporal interaction streams carry predictive structure in short-horizon motif patterns -- repetition, reciprocity, star diversity, triadic flow -- that vanilla temporal graph neural networks (TGNNs) often fail to expose to the…