Temporal Graph Neural Networks
PulseAugur coverage of Temporal Graph Neural Networks — every cluster mentioning Temporal Graph Neural Networks across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
FLASH机制增强时序图神经网络性能
研究人员开发了FLASH，一种旨在提高时序图神经网络（TGNNs）性能的新型机制。FLASH是一种可学习且图自适应的邻域选择方法，解决了TGNNs中当前使用的静态采样启发式方法的局限性。通过无缝集成并使用自监督排序损失进行端到端训练，FLASH在各种基准测试中均显示出持续且显著的性能提升，为未来链接预测提供了从历史交互中聚合时序信号的更有效方法。
-
FAST框架加速时序图神经网络训练
研究人员开发了FAST，一个旨在优化时序图神经网络（TGNN）训练的新框架。TGNN在推荐和社交网络分析等领域分析动态图至关重要，但其训练受到内存I/O、计算和采样瓶颈的阻碍。FAST通过整体优化这些阶段来解决这些问题，引入SlimCache以在GPU约束下进行高效内存管理，并采用专门的算子来处理稀疏时序子图。该框架还利用拓扑感知采样策略来提高CPU缓存局部性。实验表明，FAST在不影响模型准确性的情况下，实现了平均2.1倍、最高4.…
-
新方法通过自适应伪监督加速时态GNN训练
研究人员开发了一种名为Moving-Averaged Labels (MAL)的新方法，以改进时态图神经网络（GNN）的训练。该技术通过基于过去的监督信号分配软伪目标来解决现实世界动态图中监督不规则的问题。MAL旨在减少梯度方差并加速收敛，而无需更改模型架构或损失函数。实验表明，MAL显著提高了预测性能，并实现了更快的达到准确率的时间，在常见的Temporal Graph Benchmark数据集上确立了新的最先进水平。
-
新方法通过词缀签名增强时间图神经网络
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。
-
新的 HERMIT 框架使用双曲几何进行互联网延迟预测
研究人员开发了 HERMIT，一个用于预测互联网延迟和路由动态的新框架。HERMIT 利用双曲几何来更好地表示互联网路由图的无标度结构，其性能优于传统的欧几里得空间模型。该框架结合了双曲流形保持时序 GNN 和随机森林回归器，并纳入了 RTT 感知边特征和可学习的边编码器。在大规模真实互联网数据集上的评估表明，HERMIT 在 RMSE 上比强大的基线模型提高了 6%，并在链路预测方面超越了现有的双曲 TGNN 模型。
-
TGFormer架构通过自相关机制增强时间图分析
研究人员推出了一种新的Transformer架构TGFormer，旨在改进时间图的建模。该模型解决了捕获长期依赖性和识别这些动态网络中周期性模式的局限性。通过采用轨迹框架和自相关机制，TGFormer系统地分析历史交互以导出节点表示并揭示周期性依赖关系，从而带来显著的效率和准确性提升。
-
新方法解耦时序图神经网络（TGNN）可解释性中的稳定性和转换模式
研究人员推出了一种名为ST-TGExplainer的新颖方法，旨在提高时序图神经网络（TGNN）的可解释性。现有模型常常难以区分过去交互（稳定性模式）和新出现交互（转换模式）对预测的影响。ST-TGExplainer通过学习一个紧凑的解释子图来解耦这两种模式类型，从而在保证预测准确性的同时减少冗余。实验表明，这种方法能够为TGNN预测提供更忠实的解释。
-
研究人员为时间图神经网络开发 Shapley 值解释器
研究人员开发了两种新的模型无关的时间图神经网络 (TGNN) 解释器，利用 Shapley 和 Owen 值。这些方法旨在提高结合了空间和时间数据的 TGNN 预测的可解释性。与各种数据集上的现有最先进方法相比，这些解释器表现出更优越的性能，并揭示了常见 TGAT 实现中有关时间戳提取的一个缺陷。