Community detection in sparse time-evolving graphs with a dynamical Bethe-Hessian
GIPSA-lab（吉卜赛实验室）；UGA（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；L2S（信号与系统实验室）；CentraleSupélec（中央理工-高等电力学院）；University of Paris Saclay（巴黎萨克雷大学）
本文研究了稀疏动态图中的社区发现问题，其中社区结构随时间演化。提出了一种基于扩展的Bethe-Hessian矩阵的快速谱算法，该算法利用了类标签及其时间演化的正相关性，适用于任何具有社团结构的动态图.在动态度校正随机块模型下，在两个类大小相等的情况下，我们证明并支持广泛的模拟，我们提出的算法能够在理论上尽可能快地进行非平凡的社区重建，从而达到最佳的可检测性阈值，并可证明优于竞争谱方法。
2020-10-26 cs.LG cs.SI stat.ML
Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian
Maxwell Institute for Mathematical Sciences（麦克斯韦数学研究所）；University of Edinburgh（爱丁堡大学）；Heriot–Watt University（赫瑞瓦特大学）；Zuse Institute Berlin（柏林祖斯研究所）；School of Mathematical & Computer Sciences（数学与计算机科学学院）
本文提出基于CCA的时空图拉普拉斯算子，将谱聚类推广到动态图，并结合传递算子分析其谱性质，实现对有向和无向时变网络聚类演化的清晰解释。
2024-12-20 cs.LG cs.SI math.DS
Evolving-Graph Gaussian Processes
Aalto University（阿尔托大学）
图高斯过程（GGP）为图结构域提供了一种数据高效的解决方案。现有的方法主要集中在静态结构上，而许多真实的图数据表示动态结构，限制了GGP的应用。为了克服这一点，我们提出了进化图高斯过程（e-GGP）。所提出的方法是能够学习随着时间的推移与邻域核模型的顶点之间的连接性和相互作用的变化图顶点的转移函数。我们评估我们的方法在时间序列回归问题上的性能，其中图形随时间推移而演变。我们证明了静态图高斯过程方法的e-GGP的好处。
2021-11-03 cs.LG stat.ML stat.OT
Beyond Spatio-Temporal Representations: Evolving Fourier Transform for Temporal Graphs
HERE Technologies（HERE科技公司）；Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）；RWTH Aachen（亚琛工业大学）；Cerence Gmbh（Cerence有限公司）；The University of Tokyo（东京大学）
本文提出进化图傅里叶变换（EFT），一种可逆谱变换，通过优化连续时间动态图的拉普拉斯矩阵并采用伪谱松弛，高效捕捉时间图的进化表示，在多个基准上达到最先进性能。
2024-04-18 cs.LG
Predicting Path Failure In Time-Evolving Graphs
The Chinese University of Hong Kong（香港中文大学）；Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）
在本文中，我们使用一个时间演化图，其中包括一系列的图形快照随着时间的推移，许多现实世界的网络建模。我们研究了时间演化图中的路径分类问题，它在现实世界中有许多应用，例如，预测电信网络中的路径故障和预测交通网络中的路径拥塞在不久的将来。为了捕捉时间依赖性和图结构动态性，我们设计了一种新的深度神经网络，称为长短期记忆R-GCN（LRGCN）。LRGCN将时间相邻图快照之间的时间依赖视为一种特殊的内存关系，并使用关系GCN来联合处理时间内和时间间的关系。我们还提出了一种新的路径表示方法称为自关注路径嵌入（SAPE），嵌入到固定长度的向量的路径的任意长度。通过在真实的电信网络和加利福尼亚州的交通网络上的实验，证明了LRGCN在路径故障预测方面优于其他竞争方法，并证明了SAPE在路径表示上的有效性。
2019-05-21 cs.LG stat.ML
Call Graph Evolution Analytics over a Version Series of an Evolving Software System
Indian Institute of Information Technology (IIIT), Dharwad（达尔瓦德印度信息技术学院）
本文提出基于调用图演化规则和演化子图的调用图演化分析方法，从软件版本序列中挖掘依赖共现与模式演化，以识别潜在受影响依赖，并在10个大型系统上验证其有效性。
2022-10-15 cs.AI cs.LG cs.SE
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
图表示学习作为一个热门的研究课题重新兴起，这是由于对欧几里德数据的深度学习的广泛使用，它激发了非欧几里德领域（特别是图）中各种神经网络的创造性设计。随着这些图神经网络（GNN）在静态环境中的成功，我们进一步探讨了图动态演变的实际场景。现有的方法通常采用节点嵌入，并使用递归神经网络（广义上讲，RNN）来调节嵌入并学习时间动态。这些方法需要在整个时间跨度（包括训练和测试）的节点的知识，并不适用于频繁变化的节点集。在某些极端情况下，不同时间步长的节点集可能完全不同。为了解决这一挑战，我们提出了EvolveGCN，它沿着时间维度适应图卷积网络（GCN）模型，而不依赖于节点嵌入。该方法通过使用RNN来进化GCN参数来捕获图序列的动态性。两种架构被认为是参数的演变。我们评估的任务，包括链接预测，边缘分类，节点分类所提出的方法。实验结果表明，与相关方法相比，EvolveGCN的性能普遍较高。代码可在\url{https://github.com/IBM/EvolveGCN}上获得。
2019-11-18 cs.LG cs.SI stat.ML
Explaining GNN over Evolving Graphs using Information Flow
BUPT（北京邮电大学）；Lehigh University（理海大学）
图在许多应用中是普遍存在的，诸如社交网络、知识图谱、智能电网等。图神经网络（GNN）是这些应用的当前最先进技术，但对人类来说仍然是模糊的。解释GNN预测可以增加透明度。然而，由于许多图不是静态的，而是不断发展的，因此解释两个图快照之间的预测变化是不同的，但同样重要。现有方法仅解释静态预测或生成用于动态预测的粗略或不相关的解释。我们定义了解释不断发展的GNN预测的问题，并提出了一个公理化的属性方法，唯一地分解预测的变化到计算图上的路径。涉及高度节点的许多路径的属性仍然无法解释，而简单地选择最重要的路径可能在近似变化方面是次优的。我们制定了一个新的凸优化问题，以最佳地选择解释预测演化的路径。理论上，我们证明了现有的基于层相关传播（LRP）的方法是所提出的算法的一个特殊情况下，空图相比。从经验上讲，在七个图形数据集上，使用一种用于评估预测变化解释的新度量，我们证明了所提出的方法优于现有方法，包括LRP，DeepLIFT和其他路径选择方法。
2021-11-19 cs.AI cs.LG cs.SI
A Temporal Graphlet Kernel for Classifying Dissemination in Evolving Networks
University of Bonn（波恩大学）；University of Vienna（维也纳大学）
我们介绍了\emph{temporal graphlet kernel}分类的时间图中的传播过程。这种传播过程可以是在动态网络中传播（假）新闻、传染病或计算机病毒。网络被建模为标记的时间图，其中边存在于特定的时间点，节点标签随时间变化。分类问题要求区分不同起源或参数的传播过程，例如，不同传染概率的传染病我们的新内核在时间小图的特征空间中表示标记的时间图，即，小的子图，通过它们的结构、时间相关的节点标签和边的时间顺序来区分。我们引入我们的内核的基础上类的graphlet是有效可数的变种。对于时间楔的情况下，我们提出了一个高效的近似内核与预期的低误差。我们表明，我们的内核比最先进的方法计算速度更快，精度更高。
2022-09-12 cs.LG cs.SI
Learning Graph While Training: An Evolving Graph Convolutional Neural Network
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
图上卷积神经网络是对经典卷积神经网络的重要推广和扩展。虽然以前的工作通常假设样本的图结构是规则的，具有统一的维度，但在许多应用中，它们是高度多样的，甚至没有很好地定义。在某些情况下，例如化学分子数据，聚类或粗化以简化图形是很难从化学上证明的。在本文中，我们提出了一个更通用和灵活的图卷积网络（EGCN），由一批任意形状的数据以及以监督方式训练的进化图拉普拉斯算子组成。已经进行了大量的实验，以证明在加速参数拟合和显着提高多个图形结构的数据集上的预测精度方面的优越性能。
2017-08-10 cs.CV cs.LG
EggNet: An Evolving Graph-based Graph Attention Network for Particle Track Reconstruction
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；École normale supérieure de Rennes（雷恩高等师范学院）；University of California, Berkeley（加州大学伯克利分校）
针对粒子径迹重建中传统方法计算昂贵且依赖固定输入图的问题，提出一种基于演化图结构的图注意力网络（EggNet），通过递归更新图结构实现一次性对象凝聚重建，在TrackML数据集上取得更优性能。
2024-07-18 cs.LG hep-ph physics.data-an
Continuously Evolving Graph Neural Controlled Differential Equations for Traffic Forecasting
针对交通预测中现有方法忽略连续时间依赖与动态空间依赖的问题，提出持续演化图神经受控微分方程CEGNCDE，通过持续演化图生成器与GNCDE框架同时捕捉两类依赖，在多项指标上优于当前最优方法。
2024-01-26 cs.LG
Understanding Higher-order Structures in Evolving Graphs: A Simplicial Complex based Kernel Estimation Approach
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）；The University of Tokyo（东京大学）
动态图中充满了高阶交互，例如生物网络中的共同作者关系和蛋白质-蛋白质交互，它们自然会同时出现在两个以上的节点之间。尽管普遍存在这样的高阶相互作用，有限的注意力已经支付给流行的成对链接预测问题的高阶对应。现有的高阶结构预测方法大多是基于启发式特征提取过程，在实践中效果良好，但缺乏理论保证。这种算法主要集中在预测图的静态快照中的链接。此外，这些基于进化论的方法不能有效地利用和受益于已经存在于高阶结构内的潜在子结构的知识。在本文中，我们克服了这些障碍，捕捉高阶相互作用简洁地作为\textit{simplices}，模型的邻域面向量，并开发了一个非参数核估计的单纯形，从时间过程的角度来看，图形快照序列）。我们的方法大大优于几个基线高阶预测方法。作为一个理论成果，我们证明了一致性和渐近正态性的Wasserstein距离的估计使用Stein的方法。
2021-02-06 cs.LG stat.ML
Beyond Static Graph World Models: Learning Stochastic Latent Dynamics over Evolving Topologies
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
本文提出图动力学模型（GDM），用于随机和部分可观测环境中演化拓扑的图世界模型，并引入图分布距离（GDD）度量，实验证明其优于基线并具备大图零样本泛化能力。
2026-09-25 cs.AI cs.LG cs.SI
TiGer: Self-Supervised Purification for Time-evolving Graphs
Kim Jaechul Graduate School of AI, KAIST（KAIST金在哲人工智能研究生院）；School of Electrical Engineering, KAIST（KAIST电气工程学院）
TiGer 提出一种面向时间演化图的自监督净化方法，通过自注意力捕捉长期上下文模式并结合统计距离检测短期不一致性，以集成策略过滤噪声边，在无需噪声标签的情况下提升节点分类性能。
2025-03-11 cs.LG
Graph-Level Embedding for Time-Evolving Graphs
Dartmouth College（达特茅斯学院）；Millennium Management, LLC（千禧管理有限责任公司）；Georgia Institute of Technology（佐治亚理工学院）
针对动态网络缺乏低维图级表示方法的问题，提出结合多层图、时间回溯随机游走和文档级语言模型的时序图级嵌入方法，并在五个数据集上验证其优于基线。
2023-06-01 cs.AI cs.LG cs.SI
DRGCN: Dynamic Evolving Initial Residual for Deep Graph Convolutional Networks
Ant Group（蚂蚁集团）
图卷积网络（GCN）已被证明是非常实用的处理各种图形相关的任务。由于深层GCN具有比浅层GCN更优越的性能，因此引起了人们的极大兴趣。然而，简单地增加网络深度反而会由于过度平滑问题而损害性能。添加剩余连接被证明对学习深度卷积神经网络（deep CNN）是有效的，当应用于深度GCN时，它并不是微不足道的。最近的工作提出了一个初始的残留机制，缓解了深GCN的过度平滑问题。然而，根据我们的研究，他们的算法对不同的数据集非常敏感。在他们的设置中，残差如何应用的个性化（动态）和相关性（演变）被忽略了。为此，我们提出了一种新的模型称为动态演化初始残差图卷积网络（DRGCN）。首先，我们为每个节点使用一个动态块来自适应地从初始表示中获取信息。其次，我们使用一个进化块来模拟层间的残差进化模式。我们的实验结果表明，我们的模型有效地缓解了深度GCN中的过度平滑问题，并在各种基准数据集上优于最先进的（SOTA）方法。此外，我们开发了一个小批量版本的DRGCN，它可以适用于大规模的数据。结合几种公平的训练技术，我们的模型在Open Graph Benchmark（OGB）的大规模ogbn-arxiv数据集上获得了新的SOTA结果。我们的可复制代码可以在GitHub上找到。
2023-02-10 cs.LG
A Differential Geometric View and Explainability of GNN on Evolving Graphs
Key Laboratory of Trustworthy Distributed Computing and Service (MoE), BUPT（可信分布式计算与服务教育部重点实验室，北京邮电大学）；Department of Computer Science and Engineering, Lehigh University（利哈伊大学计算机科学与工程系）
本文用公理化归因将 GNN 预测分布参数化为嵌入流形上的平滑曲线，并通过凸优化求得可解释的唯一演化近似曲线，实验证明其在多类演化图任务上更稀疏、忠实且直观。
2024-03-11 cs.AI cs.LG
GCAL: Adapting Graph Models to Evolving Domain Shifts
Great Bay University（大湾区大学）
本文提出GCAL方法，通过双层优化（适应与生成记忆）解决图域适应中的持续偏移与灾难性遗忘问题，实验证明其在适应性和知识保留上优于现有方法。
2025-05-22 cs.AI cs.LG
GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis
Freie Universität Berlin（柏林自由大学）；University of Surrey（萨里大学）；Technische Universität Berlin（柏林工业大学）；Zuse Institute Berlin（柏林祖泽研究所）
已经发现越来越多的疾病与微生物组构成的紊乱密切相关，例如，肥胖、糖尿病或某些癌症类型。由于现代高通量组学技术，可以直接分析人体微生物组及其对健康状况的影响。长期监测微生物群落，并探索其成员之间的关联。这些关系可以用一个时间演变图来描述。为了了解微生物群落成员对不同范围的扰动（如抗生素暴露或疾病）和一般动力学特性的反应，必须分析人类微生物群落的时间演变图。由于微生物和亚稳态动力学之间的数十种复杂相互作用，这变得特别具有挑战性。解决这个问题的关键是将时间演化图表示为保持原始动态的固定长度特征向量。提出了一种基于迁移算子和图核的谱分析的时间演化图嵌入学习方法。我们证明了我们的方法可以在创建的合成数据和真实数据上捕获时间演化图中的临时变化。我们的实验证明了该方法的有效性。此外，我们表明，我们的方法可以应用于人体微生物组数据来研究动态过程。
2020-11-19 cs.LG q-bio.GN q-bio.QM
Interpretable Structure-Evolving LSTM
Carnegie Mellon University（卡内基梅隆大学）；Sun Yat-sen University（中山大学）；Adobe Research（Adobe研究院）；National University of Singapore（新加坡国立大学）
本文开发了一个通用框架，用于通过分层图结构上的长短期记忆（LSTM）递归神经网络学习可解释的数据表示。我们建议在LSTM网络优化过程中，以渐进和随机的方式从数据中进一步学习中间可解释的多级图结构，而不是在预先固定的结构上学习LSTM模型。因此，我们将这种模型称为结构演化LSTM。特别是，从每个节点都是小数据元素的初始元素级图形表示开始，结构进化LSTM通过随机合并具有高兼容性的图形节点来逐步进化多层图形表示。在每个LSTM层中，我们从两个连接节点对应的LSTM门输出中估计它们的兼容性，这用于生成合并概率。相应地生成候选图结构，其中节点被分组为具有其合并概率的团。然后，我们用Metropolis-Hasting算法产生新的图结构，该算法通过具有接受概率的随机采样来消除陷入局部最优的风险。一旦一个图结构被接受，一个更高级别的图，然后构造通过分区集团作为其节点。在演化过程中，表示在更高的层次上变得更加抽象，其中冗余信息被过滤掉，从而允许更有效地传播长距离数据依赖关系。我们评估了结构演化LSTM在语义对象解析应用中的有效性，并在标准基准测试中展示了其相对于最先进LSTM模型的优势。
2017-03-08 cs.AI cs.CV cs.LG
Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments
Beijing Advanced Innovation Center for Big Data and Brain Computing, School of Computer Science and Engineering, Beihang University（北京大数据与脑计算先进创新中心，计算机科学与工程学院，北京航空航天大学）；Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）；Department of Computer Science, University of Illinois at Chicago（计算机科学系，伊利诺伊大学芝加哥分校）
本文提出EvoOOD框架，通过环境感知的不变模式识别提升动态图在非平稳环境中的分布外泛化能力。
2025-11-22 cs.LG
From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs
Harvard（哈佛大学）；MIT（麻省理工学院）；Microsoft Research（微软研究院）
该研究针对职业网络演化图的边形成预测问题，提出结合改进在线K29星算法与再生核希尔伯特空间理论的在线算法，实现结果不可区分性和全预测性，可优化社会福利函数损失并支持多校准预测。
2024-11-26 cs.CY cs.LG cs.SI
tegdet: An extensible Python Library for Anomaly Detection using Time-Evolving Graphs
Universidad de Zaragoza（萨拉戈萨大学）；Hiberus（Hiberus公司）
本文提出了一种新的Python库，用于无监督学习方法中的异常检测。库的输入是表示给定现象的观测的单变量时间序列。然后，它可以识别异常时期，即，时间间隔，其中观测值高于由相异性度量定义的基线分布的给定百分位数。使用时间演变图进行异常检测，该库利用数据之间的相互依赖关系提供的有价值的信息。目前，该库实现了28种不同的相异度度量，并且它被设计为可以轻松地扩展新的度量。通过API，该库公开了一个完整的功能来执行异常检测。总而言之，据我们所知，该库是唯一一个公开可用的库，基于动态图，可以使用其他最先进的异常检测技术进行扩展。我们的实验表明，关于算法的执行时间和所实现的技术的准确性有希望的结果。此外，该文件提供了设置检测器的参数，以提高其性能和预测精度的指导方针。
2022-10-17 cs.LG
Multi-perspective Feedback-attention Coupling Model for Continuous-time Dynamic Graphs
College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）；School of Physics and Electronic-Electrical Engineering, Ningxia University（宁夏大学物理与电子电气工程学院）；Faculty of Anesthesiology, Naval Medical University（海军军医大学麻醉学院）
针对连续时间动态图表示学习中的单一视角和大量时序邻居依赖问题，提出多视角反馈-注意力耦合（MPFA）模型，融合演化与原始视角高效学习交错动态，实验验证了其有效性与竞争力。
2024-04-24 cs.AI cs.LG cs.SI
Subspace Projection Methods for Fast Spectral Embeddings of Evolving Graphs
Department of Electrical and Computer Engineering, Michigan State University（密歇根州立大学电气与计算机工程系）；IBM Research（IBM研究院）
本文提出一种子空间投影方法，用于动态图谱的快速谱嵌入，通过降低计算和内存复杂度，提升动态图中主特征值的更新效率和下游任务的准确性。
2026-03-19 cs.LG eess.SP stat.ML
GRADE: Graph Dynamic Embedding
University of Cambridge（剑桥大学）；Teeside University（提赛德大学）；Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；HEC Montreal（蒙特利尔高等商学院）
静态图和最近动态演化图的表示学习已经引起了人们的注意。现有的方法建模图动力学广泛关注独立的中尺度社区结构的演变个别节点的演变。因此，目前的方法不提供有用的工具来研究，不能明确地捕捉时间的社区动态。为了解决这一挑战，我们提出了GRADE -一种概率模型，它通过在其轨迹上施加随机游走来学习生成不断发展的节点和社区表示。我们的模型还学习节点社区成员资格，该成员资格通过过渡矩阵在时间步长之间更新。在每个时间步，通过首先从社区上的分布分配节点成员资格，然后从分配的社区的节点上的分布采样邻居来执行链路生成。我们用神经网络参数化节点和社区分布，并通过变分推理学习它们的参数。实验结果表明，GRADE算法在动态链接预测方面优于基线算法，在动态社区发现方面表现出良好的性能，能够识别出一致的、可解释的进化社区。
2021-05-10 cs.LG stat.ML
Finding Differentially Covarying Needles in a Temporally Evolving Haystack: A Scan Statistics Perspective
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
最近的结果耦合或时间图形模型提供的计划，估计功能之间的关系结构时，数据来自相关的（但不同的）纵向来源。这些想法的一个新的应用是分析组水平的差异，即，在识别估计对象的趋势（例如，协方差或精度矩阵）在不同的条件下是不同的（例如，性或疾病）。通常，较差的效应大小使得难以检测整个特征集上的差分信号：例如，仅特征子集之间的依赖性可能在各组中表现不同。在这项工作中，我们首先给出了一个参数模型，用于估计SPD矩阵空间中的趋势作为一个或多个协变量的函数。然后，我们将扫描统计数据推广到图形结构，搜索不同的特征子集（图形分区），其时间依赖性结构可能显示统计上显着的组间差异。我们从理论上分析了家庭明智的错误率（FWER）和第1类和第2类错误的界限。在一组具有阿尔茨海默病风险因素的个体（但在其他方面认知健康）中，我们发现了科学上有趣的群体差异，其中默认分析，即，在全图上估计的模型不能在合理的显著性阈值下生存。
2017-11-20 cs.LG stat.ML
DURENDAL: Graph deep learning framework for temporal heterogeneous networks
Department of Computer Science University of Milan（计算机科学系米兰大学）
本文提出DURENDAL框架，用于处理时序异构网络，通过结合快照式和多关系消息传递模型的设计原则，改进异构图学习模型，并引入新的高分辨率时序异构网络数据集进行实验验证。
2023-09-30 cs.LG
SEARL: Joint Optimization of Policy and Tool Graph Memory for Self-Evolving Agents
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Jiaotong University（上海交通大学）
SEARL通过构建结构化经验记忆实现策略与工具图记忆的联合优化，提升智能体在知识推理和数学任务中的实用性和效率。
2026-04-20 cs.AI cs.LG
Temporal Generalization Estimation in Evolving Graphs
Shanghai Jiao Tong University（上海交通大学）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；John Hopcroft Center for Computer Science, Shanghai Jiao Tong University（上海交通大学约翰·霍普克罗夫特计算机科学中心）
本文从信息论角度分析演化图中 GNN 表示失真，提出基于自监督图重建的自适应特征提取方法 Smart，在合成与真实演化图上验证了其泛化估计性能。
2024-04-07 cs.AI cs.LG
Forecasting high-impact research topics via machine learning on evolving knowledge graphs
Max Planck Institute for the Science of Light（光的科学马克斯·普朗克研究所）
本研究构建了融合语义与引用影响力网络的2100万篇论文级演化知识图谱，用机器学习预测未发表研究思路的影响力，多数实验AUC超0.9，可为未来启发科学创新的人工缪斯提供支撑。
2025-06-11 cs.AI cs.DL cs.LG
Privacy Risk Predictions Based on Fundamental Understanding of Personal Data and an Evolving Threat Landscape
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种基于身份生态系统图的隐私风险预测框架，通过分析身份盗窃和欺诈案例，利用图神经网络预测个人数据泄露的可能性。
2026-03-03 cs.CR cs.LG cs.SI
Graph Condensation for Open-World Graph Learning
The University of Queensland（昆士兰大学）；Peking University（北京大学）；Data 61, CSIRO（联邦科学与工业研究组织数据61分部）；The Chinese University of Hong Kong（香港中文大学）
针对现有图凝聚难以适应动态图分布的问题，本文提出 OpenGC 框架，利用结构感知分布偏移和时序不变性凝聚提升泛化能力，并在真实与合成演化图上验证其优于 SOTA 方法。
2024-06-12 cs.LG
Learnable Spectral Wavelets on Dynamic Graphs to Capture Global Interactions
IIT Hyderabad（印度理工学院海得拉巴分校）；RWTH Aachen（亚琛工业大学）；Zerotha Research（泽罗塔研究公司）；Cerence Gmbh（赛轮思有限公司）；The University of Tokyo（东京大学）
在进化（动态）图上学习已经引起了研究人员的注意，因为静态方法在这种情况下表现出有限的性能。现有的动态图方法通过局部邻域聚集来学习空间特征，这本质上只捕获低通信号和局部交互。在这项工作中，我们超越了目前的方法，将全球功能，有效地学习表示的动态演变的图形。我们建议通过捕获动态图的频谱来这样做。由于静态的方法来学习图的频谱不会考虑历史的演变的频谱随着时间的推移，我们提出了一种新的方法来学习图小波捕捉这个不断变化的频谱。此外，我们提出了一个框架，将动态捕获的光谱的形式，这些可学习的小波空间特征，将本地和全球的相互作用。在8个标准数据集上的实验表明，该方法在动态图的各种任务上都明显优于相关方法。
2022-11-22 cs.AI cs.LG
Towards Robust Graph Incremental Learning on Evolving Graphs
University of Hong Kong（香港大学）；University of Wu Han（武汉大学）
本文针对演化图中归纳式节点级图增量学习问题，提出结构偏移风险缓解方法SSRM，通过正则化减轻结构偏移导致的灾难性遗忘，并在多个基准数据集上验证其能灵活提升现有GNN增量学习框架的性能。
2024-02-20 cs.LG
Hidden relationships in a document-derived property graph: top-k chunk embeddings and inverse-distance weighting over a dynamically evolving ontology
Babel Street（巴别街公司）
该研究针对文本提取知识图谱中语义相关实体脱节问题，提出一种二次处理方法，借助块嵌入、逆距离加权等技术，在多图数据库上实现了高效的潜在关联发现，兼具高边保真度与25倍加速效果。
2026-09-02 cs.CE cs.LG
COPF: An Online Framework for Deployment-Stable Counterfactual Fairness in Evolving Graphs
Shanghai Jiao Tong University（上海交通大学）
针对演化图上的在线链接推荐，提出COPF框架，通过反事实暴露机会差距、显式探索和残差不可区分性审计，实现部署稳定的公平性监控与控制。
2026-05-30 cs.AI cs.LG
Lifelong Learning on Evolving Graphs Under the Constraints of Imbalanced Classes and New Classes
Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所）；ZBW – Leibniz Information Centre for Economics（ZBW——莱布尼茨经济信息中心）；Amsterdam UMC（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；University of Ulm（乌尔姆大学）
针对演化图中的终身学习，提出gDOC方法，结合加权损失处理新类与不平衡类，实验显示gDOC优于DOC，显著提升检测与分类性能。
2023-05-09 cs.LG
EvoBrain: Dynamic Multi-Channel EEG Graph Modeling for Time-Evolving Brain Networks
Department of Neurosurgery, Graduate School of Medicine, The University of Osaka, Japan（大阪大学医学研究生院神经外科）；Institute for Advanced Co-Creation Studies, The University of Osaka, Japan（大阪大学先进协同研究机构）
针对动态GNN在癫痫检测中忽略脑连接演化的问题，EvoBrain提出双流Mamba与GCN结合显式动态图结构，理论证明其优势，AUROC提升23%，F1提升30%。
2025-10-27 cs.AI cs.LG
DP-DGAD: A Generalist Dynamic Graph Anomaly Detector with Dynamic Prototypes
Department of Computing（计算系）；The Hong Kong Polytechnic University（香港理工大学）；Department of Computer Science（计算机科学系）；City University of Hong Kong（城市大学）；School of Software（软件学院）；Beihang University（北航）；University of Illinons at Chicago（伊利诺伊大学香槟分校）
针对通用动态图异常检测难捕捉演化异常、缺标注数据的问题，提出带动态原型的DP-DGAD模型，通过原型存储更新、异常评分与自监督适配，在10个跨域真实数据集上达SOTA性能。
2025-08-01 cs.LG
Continuous Temporal Graph Networks for Event-Based Graph Data
Xi’an Jiaotong University（西安交通大学）；LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）；CRRC Zhuzhou Institute Co., Ltd.（中车株洲所有限公司）
时态图数据的连续时间动态建模越来越受到人们的关注。以前的方法通过指定神经网络的离散层将时间演化的关系信息编码为低维表示，而真实世界的动态图通常随时间连续变化。因此，我们提出了连续时态图网络（CTGN）来捕获时态图数据的连续动态。我们使用的链接开始时间戳和链接持续时间作为不断变化的信息来模拟节点的连续动态。其核心思想是使用神经常微分方程（ODE）来描述动态图上节点表示的连续动态性。利用一种新的图神经网络对常微分方程进行参数化。现有的动态图网络可以看作是CTGN的一种特殊离散化。在转换和归纳任务上的实验结果证明了我们所提出的方法在竞争基线上的有效性。
2022-05-31 cs.LG
Temporal Network Embedding via Tensor Factorization
Emory University（埃默里大学）；Xidian University（西安电子科技大学）
静态图结构数据的表示学习在许多实际应用中表现出了显著的影响。然而，很少有人注意到时间网络的演化性质，其中的边缘往往随着时间的推移而变化。这种时间网络的嵌入应该编码图结构信息和时间演变模式。现有的方法在学习时间演化网络表示未能捕捉时间的相互依赖性。在本文中，我们提出了太妃糖，一种新的方法的时间网络表示学习的基础上张量分解。我们的方法利用张量-张量积算子对跨时间信息进行编码，从而可以捕获演化网络中的周期性变化。实验结果表明，Toffee优于现有的方法在多个真实世界的时间网络生成有效的嵌入链接预测任务。
2021-08-22 cs.LG
EGAD: Evolving Graph Representation Learning with Self-Attention and Knowledge Distillation for Live Video Streaming Events
KTH Royal Institute of Technology（瑞典皇家理工学院）；HiveStreaming AB；Maastricht University（马斯特里赫特大学）
在这项研究中，我们提出了一个动态图表示学习模型加权图，以准确地预测网络容量的观众之间的连接在一个实时视频流媒体事件。我们提出了EGAD，神经网络架构捕捉图的演变，通过引入一个自注意力机制的连续图卷积网络之间的权重。此外，我们考虑到神经架构需要大量参数来进行训练，从而增加了在线推理延迟并对实时视频流事件中的用户体验产生负面影响。为了解决大量参数的高度在线推理问题，我们提出了一种知识蒸馏策略。特别是，我们设计了一个蒸馏损失函数，旨在首先在离线数据上预训练教师模型，然后将教师的知识转移到具有较少参数的较小学生模型。我们评估我们提出的模型上的链接预测任务的三个现实世界的数据集，由实时视频流事件生成。活动持续了80分钟，每个观众都利用了Hive Streaming AB公司提供的分发解决方案。实验证明了所提出的模型的有效性，在链接预测的准确性和所需的参数的数量，对国家的最先进的方法进行评估时。此外，我们研究的蒸馏性能的压缩比方面的不同的蒸馏策略，我们表明，该模型可以实现高达15：100的压缩比，保持高链接预测的准确性。出于复制目的，我们的评估数据集和实施可在https://stefanosantaris.github.io/EGAD上公开获取。
2020-11-11 cs.AI cs.LG
Uncertainty Quantification of Graph Convolution Neural Network Models of Evolving Processes
University of Michigan（密歇根大学）；Sandia National Laboratories（桑迪亚国家实验室）
本研究针对演化过程的图卷积神经网络模型，使用HMC和SVGD等方法进行参数化不确定性量化，发现Stein变分推断是Monte Carlo方法的有效替代方案。
2024-02-17 cs.LG math.ST physics.comp-ph
Know2BIO: A Comprehensive Dual-View Benchmark for Evolving Biomedical Knowledge Graphs
UCLA（加州大学洛杉矶分校）；Tsinghua University（清华大学）；David Geffen School of Medicine（戴维·格芬医学院）
针对生物医学知识图谱构建中多源整合难、更新滞后、多模态数据不足等问题，提出通用异构基准Know2BIO，整合30类源数据并配套多模态特征，支持自动更新，验证了其作为生物医学KG表征学习基准的有效性。
2023-10-05 cs.AI cs.LG q-bio.QM
