实体
Temporal Graph Networks
Temporal Graph Networks
PulseAugur coverage of Temporal Graph Networks — every cluster mentioning Temporal Graph Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新方法增强了时序图网络的可解释性
研究人员开发了一种新方法，通过关注时序图网络（TGNs）的记忆模块来解释其预测。该方法利用拓扑归因树来评估邻居及其历史数据的影响，并利用记忆回溯树来量化过去事件如何塑造节点记忆。该方法将LRP应用于TGNs，并包含用于识别重要事件的优化目标，在节点属性预测、链接预测和图分类等各种时序图数据集和任务上，已证明其解释的忠实性并优于现有基线。
-
新的TGN-SEAL模型增强了稀疏动态网络中的链接预测能力
研究人员开发了一种名为TGN-SEAL的新模型，以改进动态稀疏网络中的链接预测。这种混合方法将时间图网络（TGNs）与候选链接周围封闭子图的提取相结合。在电信通话详单和电子邮件数据集上的实验表明，与标准TGNs相比，TGN-SEAL的平均精度至少提高了2%，证明了其在捕获结构和时间信息以实现稳健链接预测方面的有效性。
-
BiTA模型增强了用于网络警报预测的时间图网络
研究人员开发了BiTA，一种新颖的双向门控循环单元-Transformer聚合器，专为时间图网络设计。该框架通过更好地捕捉攻击行为中复杂的时间模式，增强了计算机网络中的警报预测能力。BiTA通过联合编码节点时间邻域内的双向序列依赖性和长程上下文关系来实现这一点，在归纳和推导设置中均优于现有模型。