实体
temporal graphs
temporal graphs
PulseAugur coverage of temporal graphs — every cluster mentioning temporal graphs 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
最近 · 第 1/1 页 · 共 3 条
-
新研究详述可扩展时序图聚类方法
一篇新研究论文探讨了时序图的学习和聚类技术，重点关注如何通过聚合节点、边和时间动态信息来表示复杂的图数据。作者提出了用于谱聚类和模块度优化的GPU加速方法，并建议这些基本方法可以使时序聚类具有可扩展性。这项工作旨在弥合传统图算法与神经网络模型之间的差距，表明算法方法更适合属性稀疏的场景，而神经网络模型在结构和时间信号较强时表现更佳。
-
新框架利用时间图和对比学习对疾病轨迹进行建模
研究人员开发了一个新颖的对比表示学习框架，旨在对纵向临床数据中的复杂疾病轨迹进行建模。该方法利用时间图，其中节点代表患者随时间的观察，边捕获轨迹之间的时间和结构关系。通过采用结构感知随机游走和对比图神经网络，该框架生成保留时间上下文和轨迹拓扑的嵌入，从而实现更稳健的患者队列聚类并揭示数据中的潜在结构。
-
新框架GTIN统一了时序图中的事件和时间预测
研究人员推出GTIN，一个新颖的统一框架，旨在预测时序图中的未来事件及其发生时间。该方法旨在捕捉各种网络结构中的复杂动态，在实证评估中表现优于现有方法，尤其是在事件模式不规则的情况下。该框架被认为是推进时序事件预测研究的坚实基础。