Analysing Collective Behaviour in Temporal Networks Using Event Graphs and Temporal Motifs
历史上,对网络行为的研究主要集中在个人行为(基于节点)或整个网络的聚合行为上。我们提出了一种新的方法来分解一个时间网络的宏观组件,并分析这些组件的行为,或集体的节点,跨时间。该方法利用时间网络中的所有可用信息(即没有时间聚合),使用时间主题和事件间时间将拓扑结构和时间结构相结合。这使我们能够创建一个时间网络的嵌入,以描述随着时间的推移和不同时间尺度的行为。我们使用从在线社交网络收集的数字通信数据的例子来说明这种方法。
2018-08-15 cs.SI nlin.AO physics.soc-ph
TREND: TempoRal Event and Node Dynamics for Graph Representation Learning
时态图表示学习由于时态图在现实世界中的普遍存在而受到广泛关注。然而,大多数现有的作品采取离散快照的时间图,或不归纳处理新的节点,或不建模的令人兴奋的效果,这是事件的能力,影响另一个事件的发生。在这项工作中,我们提出了趋势,一个新的框架,时间图表示学习,驱动的时间事件和节点动力学和霍克斯过程为基础的图神经网络(GNN)。TREND呈现出几个主要优点:(1)由于其GNN架构,它是归纳的;(2)通过采用Hawkes过程,它捕获了事件之间的令人兴奋的效果;(3)作为我们的主要新颖性,它通过集成事件和节点动态来捕获事件的个体和集体特征,从而驱动时间过程的更精确建模。在四个真实数据集上的实验证明了该模型的有效性。
2022-03-27 cs.SI
The Temporal Event Graph
时间网络越来越多地被用于模拟复杂系统的相互作用。大多数研究需要将边缘(或事件)的时间聚合成离散的时间步长来执行分析。在这篇文章中,我们描述了一个静态的,无损的,和唯一的时间网络表示,时间事件图(TEG)。TEG描述的时间网络的事件间的时间和两个事件的时间模体分布。通过统一考虑这些分布,我们提供了一种新的方法来描述时间网络中个人和集体的行为,并提供了网络的自然分解。我们说明了实用的TEG合成和真实的时间网络上提供的例子。
2017-06-07 cs.SI nlin.AO physics.data-an
Temporal Graph Offset Reconstruction: Towards Temporally Robust Graph Representation Learning
Durham University(杜伦大学);Newcastle University(纽卡斯尔大学);SUSTech(南方科技大学);InlecomSystems(Inlecom系统公司)
图是用于表示复杂高维数据集中元素之间关系的常用构造。许多现实世界的现象本质上是动态的,这意味着用于表示它们的任何图形都是固有的时间。然而,许多被设计为捕获关于这些图的结构的知识的机器学习模型在创建图的表示时忽略了这种丰富的时间信息。这导致模型在用于预测图的未来状态时表现不佳--尤其是当时间戳之间的增量不小时。在这项工作中,我们探索了一种新的训练过程和相关的无监督模型,该模型创建了优化的图形表示,以预测图形的未来状态。我们利用图卷积神经网络将图编码为潜在表示,然后我们使用它来训练我们的时间偏移重建方法,该方法受到自动编码器的启发,以预测稍后的时间点-未来的多个时间步长。使用我们的方法,我们表现出优越的性能为未来的链接预测的任务相比,非时间的最先进的基线。我们证明了我们的方法能够在现实世界的数据集上超过非时间基线38%。
2018-11-20 cs.LG cs.SI
Scalable dynamic community detection on temporal graphs using graph neural networks
Queen Mary University of London(伦敦大学玛丽女王学院)
该研究提出扩散引导的对比学习框架,结合图神经网络实现时序图的可扩展动态社区检测,在合成网络和OpenAlex合作网络上验证了方法的有效性与可扩展性。
2026-08-31 cs.SI
Event Graphs: Advances and Applications of Second-Order Time-Unfolded Temporal Network Models
数据汇集和存储方面的最新进展使研究人员和工业界都能够实时的收集数据。这些数据大部分以“事件”或时间戳交互的形式出现,例如电子邮件和社交媒体帖子,网站点击流或蛋白质-蛋白质交互。这种类型的数据对建模提出了新的挑战,特别是如果我们希望保留所有的时间特征和结构。我们提出了一个通用的框架来探索时间网络使用二阶时间展开模型,称为事件图。通过例子,我们演示了如何使用事件图来理解时序网络的高阶拓扑-时序结构,并捕获在考虑静态(或时间聚合)模型时未观察到的网络属性。此外,我们表明,通过将时间网络建模为事件图,我们的分析很容易扩展到考虑非二元交互,称为超事件。
2018-09-10 cs.SI nlin.AO physics.data-an
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
Generating Temporal Contact Graphs Using Random Walkers
本研究针对人类移动网络的时序接触图建模问题,提出RWIG模型,基于独立随机游走者生成时序接触图,经验证具真实性且可解析推导接触图分布闭式解,可媲美经典固定图模型。
2024-09-13 cs.SI math.DS
Temporal Graphs Anomaly Emergence Detection: Benchmarking For Social Media Interactions
本文对Twitter和Facebook时序图中的群体交互异常检测进行基准评测,比较12种数据驱动方法,发现最佳方法模式不清晰,揭示大型动态系统中异常涌现检测的复杂性并呼吁进一步研究。
2023-07-11 cs.IR cs.SI
Using Motif Transitions for Temporal Graph Generation
University at Buffalo(布法罗大学)
提出模体转移模型(MTM),通过将新事件建模为时序模体转移过程来生成合成时序网络,在保留全局和局部时序图统计量及运行时间上优于基线。
2023-06-19 cs.AI cs.SI
Using Time-Aware Graph Neural Networks to Predict Temporal Centralities in Dynamic Graphs
Center for Artificial Intelligence and Data Science (CAIDAS)(人工智能与数据科学中心(CAIDAS));Chair of Machine Learning for Complex Networks(复杂网络机器学习主席席位)
本研究提出使用De Bruijn图神经网络预测动态图中的时间路径中心性,在13个时间图上显著优于静态GCN、采样近似及两种最新时间感知方法,解决了时间中心性计算昂贵的问题。
2024-11-08 cs.LG cs.SI
A temporal graph dissimilarity measure capturing epidemic spreading behavior
ISI Foundation(ISI基金会);Politecnico di Torino(都灵理工大学);Aix Marseille Univ, Univ Toulon, CNRS, CPT, Turing Center for Living Systems(艾克斯-马赛大学,土伦大学,法国国家科学研究中心,理论物理中心,图灵生命系统中心)
本研究提出EATGD这一可微时序图不相似性度量,结合嵌入距离与拓扑时间特征,经SIR模拟校准后可捕捉流行病相关图差异,适用于机器学习流程与生成模型训练。
2026-10-14 cs.LG cs.SI
WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows
Carnegie Mellon University(卡内基梅隆大学)
在过去的四年中,人们越来越关注动态网络嵌入。现有的动态嵌入方法,但是,考虑的问题仅限于一系列的全球性,离散状态的拓扑结构的演变。我们提出了一种新的嵌入算法,WalkingTime,基于一个根本不同的处理时间,允许本地考虑连续发生的现象;而其他人认为全球时间步长是一阶公民的动态环境,我们持有的流组成的时间和拓扑局部相互作用作为我们的原语,没有任何离散化或对齐的时间相关的属性是必要的。保留字:动态网络,表示学习,动态图嵌入,时间相关路径,时间拓扑流,时间随机游走,时间网络,实属性知识图谱,流图,在线网络,异步图,异步网络,图形算法,深度学习,网络分析,数据挖掘,网络科学
2021-11-22 cs.LG cs.SI
Graphlets over Time: A New Lens for Temporal Network Analysis
图形被广泛用于建模各种类型的交互,如电子邮件通信和在线讨论。许多这样的现实世界的图是时间性的,具体来说,它们随着时间的推移而增长,并有新的节点和边。对每个小图的实例进行计数(即,导出子图同构类)已经成功地刻画了图的局部结构,并具有许多应用。虽然小图已经扩展到时间图,但扩展是为了检查由到达时间接近的边缘组成的时间局部子图,而不是局部结构的长期变化。在本文中,作为时态图分析的一个新的镜头,我们研究了在三个不同的层次(图,节点和边缘)的真实世界的图中的小图实例的分布随时间的演变。在图的层次上,我们首先发现,演化模式是显着不同的随机图。然后,我们提出了一个小图转移图来衡量图的演化模式的相似性,我们发现了一个令人惊讶的相似性之间的图从同一个域。在节点和边缘的水平,我们证明,在其早期阶段的节点和边缘周围的局部结构提供了一个强有力的信号,他们未来的重要性。特别是,我们使用角色的计数(也称为,它们在graphlets中的轨道)。
2023-01-03 cs.DB cs.SI
FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning
Peking University(北京大学);Peng Cheng Laboratory(鹏城实验室)
学习图结构数据的表示对于图分析任务是必不可少的。虽然静态图的研究已经取得了显著的进展,但时态图的研究还处于起步阶段。时态图表示学习方法的瓶颈是邻域聚集策略,基于该策略,图属性显式地共享和收集信息。现有的邻域聚合策略既不能捕捉时态图属性的短期特征,也不能捕捉时态图属性的长期特征,导致模型性能不理想,甚至导致表示学习方法的鲁棒性和领域通用性较差.为了解决这个问题,我们提出了一个帧级时间轴建模(FTM)的方法,有助于捕捉短期和长期的功能,从而学习更多的信息表示时间图。特别是,我们提出了一种新的基于链接的框架技术,以保持短期功能,然后将一个时间轴聚合器模块,以捕获的内在动态图的演变作为长期功能。我们的方法可以很容易地与大多数时间GNN组装。在常见数据集上的大量实验表明,该方法大大提高了骨干方法在下游任务中的能力、鲁棒性和领域通用性。我们的代码可以在https://github.com/yeeeqichen/FTM上找到。
2023-03-15 cs.LG cs.SI
Node Embedding over Temporal Graphs
Technion, Israel Institute of Technology(以色列理工学院);eBay Research(易贝研究院)
在这项工作中,我们提出了一种方法,在时间图的节点嵌入。我们提出了一种算法,学习时间图的节点和边随着时间的推移的演变,并将这种动态的时间节点嵌入框架中的不同的图形预测任务。我们提出了一个联合损失函数,该函数通过学习组合节点的历史时间嵌入来创建节点的时间嵌入,使得它针对给定任务进行优化(例如,链接预测)。该算法使用静态节点嵌入进行初始化,然后在不同时间点对节点的表示进行对齐,并最终在联合优化中适应给定的任务。我们评估了我们的方法的有效性,在各种时间图的时间链接预测和多标签节点分类的两个基本任务,比较有竞争力的基线和算法的替代品。我们的算法在许多数据集和基线上都显示出了性能上的改进,并且对于内聚性较低、聚类系数较低的图特别有效。
2021-05-19 cs.LG cs.SI stat.ML
Spectral Algorithms for Temporal Graph Cuts
稀疏割问题包括确定一个小的边集,将图分解为平衡的顶点集。规范化切割问题平衡的是结果集的总度,而不是大小。图割的应用包括社区发现和计算机视觉。然而,切割问题最初是针对静态图提出的,这一假设在许多现代应用中并不成立,因为图是高度动态的。在本文中,我们介绍了时间图的稀疏性和规范化切割问题,通过强制执行切割随时间的光滑性来推广它们的标准定义。我们提出了新的配方和算法计算时间削减谱图理论,多重图,分而治之和低秩矩阵近似。此外,我们将我们的配方扩展到动态图形信号,其中切割也捕获节点值,作为图形小波。实验表明,我们的解决方案是准确的和可扩展的,使动态社区的发现和动态图过程的分析。
2017-02-15 cs.DB cs.SI
Temporal Graph Analysis with TGX
McGill University(麦吉尔大学);Mila(米拉(魁北克人工智能研究所))
TGX是一个Python包,提供自动化流水线、内置数据集和多种度量与可视化工具,用于时序图的数据加载、处理和分析,适用于社交网络、引文网络等场景。
2024-02-06 cs.LG cs.SI
Interaction Order Prediction for Temporal Graphs
Carnegie Mellon University(卡内基梅隆大学)
图中的链接预测是一个已经被广泛研究的任务。它已被应用于知识图谱的补全、内容/项目推荐、社交网络推荐等领域,但大多数研究最初集中在静态图中的链接预测。然而,最近有大量的工作建模时间图,因此,已经研究的任务之一是时间图中的链接预测。然而,现有的大多数工作并没有关注链接形成的顺序,而只是预测链接的存在。在这项研究中,我们的目标是预测节点相互作用的顺序。
2023-02-04 cs.CL cs.LG cs.SI
A Survey on Spatio-Temporal Knowledge Graph Models
Anhalt University of Applied Sciences(安哈尔特应用科学大学);University of Applied Sciences Mittweida(米特韦达应用科学大学)
本文综述了时空知识图谱模型,分析了其建模维度和应用领域,指出统一框架缺失,提出建模指南和未来挑战。
2025-12-18 cs.DB cs.SI
Sampling Algorithms for Butterfly Counting on Temporal Bipartite Graphs
针对时间二分图上的蝴蝶计数问题,提出包含三种采样策略的通用框架,通过近似估计实现高效准确计数,并在六个真实数据集上验证了优越性能。
2023-10-18 cs.DB cs.DS cs.SI
Temporal Graph Kernels for Classifying Dissemination Processes
University of Bonn(波恩大学);TU Dortmund University(多特蒙德工业大学)
许多真实世界的图或网络是时间性的,例如,在社交网络中,人们仅在特定的时间点进行交互。这些信息指导网络上的传播过程,例如谣言,假新闻或疾病的传播。然而,目前最先进的监督图分类方法主要是针对静态图设计的,可能无法捕获时间信息。因此,它们不足以区分不同传播过程的图形。为了解决这个问题,我们引入了一个框架,以提升标准的图形内核的时域。具体来说,我们探索三种不同的方法,并调查时间信息和效率之间的权衡损失。此外,为了处理大规模的图形,我们提出了我们的内核的随机变量与可证明的近似保证。我们在广泛的现实世界社交网络上评估我们的方法。我们的方法在准确性方面大大优于静态内核,同时仍然可以扩展到大型图形和数据集。因此,我们确认,考虑到时间信息是至关重要的传播过程的成功分类。
2021-08-20 cs.LG cs.SI stat.ML
THeGCN: Temporal Heterophilic Graph Convolutional Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Visa Research(Visa研究院)
针对基于事件的连续图中边异配与时序异配共存的时序边异配挑战,提出结合低/高通图滤波的THeGCN模型,经5个真实数据集实验验证其有效性。
2025-01-10 cs.IR cs.LG cs.SI
Temporal Graph Rewiring with Expander Graphs
The Institute for Artificial Intelligence of Serbia(塞尔维亚人工智能研究所);McGill University(麦吉尔大学);Mila – Quebec AI Institute(米拉-魁北克人工智能研究所);Google DeepMind(谷歌DeepMind)
本文提出首个时序图重连方法TGR,利用扩展图传播在连续时间动态图中为时间上相距较远的节点构建消息传递高速公路,并在TGB基准多个数据集上取得最先进结果。
2024-10-22 cs.AI cs.LG cs.SI
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
DYNA : Dynamic Episodic Memory Networks for Augmenting Large Language Models with Temporal Knowledge Graphs in Continuous Learning
Department of Computer Engineering and Information Technology, University of Qom(卡姆大学计算机工程与信息科技系)
提出DYNA框架,通过时间知识图谱作为外部可更新记忆,增强冻结的大语言模型,在三个时间召回任务上减少约7%的灾难性遗忘并提升约5%的时间排序能力。
2026-06-16 cs.AI cs.CL cs.LG