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 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
An Explainer for Temporal Graph Neural Networks
University of Florida(佛罗里达大学)
时态图神经网络(TGNNs)由于能够同时捕捉图的拓扑依赖性和非线性时态动态特性,已被广泛用于建模时变图相关任务。TGNN的解释对于透明和可信的模型至关重要。然而,复杂的拓扑结构和时间依赖性使得解释TGNN模型非常具有挑战性。在本文中,我们提出了一个新的解释框架TGNN模型。给定要解释的图上的时间序列,该框架可以以概率图模型的形式在一个时间段内识别主导解释。交通领域的案例研究表明,所提出的方法可以发现动态依赖结构的道路网络的一段时间。
2022-09-02 cs.LG
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
Temporal Graph ODEs for Irregularly-Sampled Time Series
University of Pisa(比萨大学);The Swiss AI Lab IDSIA(瑞士人工智能实验室IDSIA);Università della Svizzera italiana(瑞士意大利语大学);Politecnico di Milano(米兰理工大学)
针对不规则采样的时间图流,本文提出 TG-ODE 框架,通过联合建模连续时间与空间动态,在多个图基准上达到最先进性能。
2024-04-30 cs.LG
Who Should I Engage with At What Time? A Missing Event Aware Temporal Graph Neural Network
Harbin Institute of Technology(哈尔滨工业大学)
时态图神经网络由于其广泛的应用场景,如生物信息学、知识图谱、社交网络等,近年来受到了广泛的关注。有一些时间图神经网络取得了显着的效果。然而,这些工作侧重于未来事件的预测,并假设所有历史事件都是可观察的。在实际应用中,事件并不总是可观察的,估计事件时间与预测未来事件一样重要。本文提出了一种缺失事件感知的时间图神经网络MTGN,它统一地对图结构和事件时序的演化进行建模,以支持预测未来会发生什么以及何时会发生.MTGN将观测事件和缺失事件的动态过程建模为两个耦合的时间点过程,从而将缺失事件的影响纳入网络.在几个真实时间图上的实验结果表明,MTGN的时间和链接预测的准确度分别提高了89%和112%,明显优于现有方法。代码可以在https://github.com/HIT-ICES/TNNLS-MTGN上找到。
2023-01-20 cs.LG
On The Temporal Domain of Differential Equation Inspired Graph Neural Networks
University of Cambridge(剑桥大学);University of British Columbia(不列颠哥伦比亚大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
针对现有 DE-GNNs 仅依赖一阶或二阶时间依赖的限制,本文提出 TDE-GNN,通过神经扩展学习更广泛的时间动态,并在多个图基准上验证其优于预定义动态模型。
2024-01-20 cs.LG
On the Equivalence Between Temporal and Static Graph Representations for Observational Predictions
Purdue University(普渡大学)
本文从学习等变表示的角度,形式化了预测时态图中节点属性演化的关联任务。我们表明,时间图中的节点表示可以转换为两个不同的框架:(a)最流行的方法,我们将其表示为时间和图,其中等变图(例如,GNN)和序列(例如,RNN)表示交织在一起,以表示图中节点属性的时间演变;以及(b)我们表示为时间然后图的方法,其中描述节点和边动态的序列首先表示,然后作为节点和边属性馈送到随后的静态等变图表示中。有趣的是,我们表明,当两者都使用不是最具表达性的组件GNN(例如,1-Weisfeiler-Lehman GNNs)。此外,虽然我们的目标不一定是获得最先进的结果,但我们的实验表明,在一些现实世界的任务中,时间-然后-图方法能够实现比最先进的时间和图方法更好的性能和效率,从而表明时间-然后-图框架是图ML工具箱的一个值得添加的工具。
2023-03-27 cs.LG
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
Peking University(北京大学)
交通流的时空数据预测是一个具有挑战性的任务,因为不同道路之间的复杂的空间依赖性和动态的时间模式的趋势。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间的相关性。然而,有限的表示给定的空间图结构与不完整的相邻连接可能会限制有效的时空依赖学习这些模型。为了克服这些局限性,本文提出了时空融合图神经网络(STFGNN)的交通流预测。SFTGNN可以有效地学习隐藏的时空依赖性,通过一种新的融合操作的各种空间和时间的图形,这是由数据驱动的方法产生的。同时,通过将该融合图模块和一种新的门控卷积模块集成到一个统一的层中,SFTGNN可以处理长序列。在几个公共交通数据集上的实验结果表明,我们的方法比其他基线一致地实现了最先进的性能。
2021-03-06 cs.AI cs.LG
ChronoR: Rotation Based Temporal Knowledge Graph Embedding
University of Florida(佛罗里达大学);Texas A&M University(德克萨斯A&M大学)
尽管时态知识图谱的重要性和丰富性,目前的研究主要集中在静态图上的推理。本文研究时态知识图谱上的推理问题。特别是时间链接预测的任务。一般来说,这是一个困难的任务,由于数据的非平稳性,数据异构性,及其复杂的时间依赖性。我们提出了时序旋转嵌入(ChronoR),这是一种用于学习实体,关系和时间表示的新模型。学习密集表示经常被用作在知识图谱上执行推理的有效且通用的方法。所提出的模型学习由关系和时间参数化的k维旋转变换,使得在使用旋转变换每个事实的头部实体之后,它落在其对应的尾部实体附近。通过使用高维旋转作为其变换算子,ChronoR捕获了时态知识图谱的时态和多关系特征之间的丰富交互。实验表明,ChronoR能够在时间知识图谱链接预测的基准数据集上胜过许多最先进的方法。
2021-03-18 cs.LG cs.SC
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
STFL: A Temporal-Spatial Federated Learning Framework for Graph Neural Networks
Macquarie University(麦考瑞大学);Ant Group(蚂蚁集团)
本文提出了一个时空联合的图神经网络学习框架STFL。该框架探索输入时空数据的潜在相关性,并将其转换为节点特征和邻接矩阵。框架中的联邦学习设置确保了数据隐私,同时实现了良好的模型泛化。在睡眠阶段数据集ISRUC_S3上的实验结果说明了STFL在图预测任务上的有效性。
2022-01-11 cs.AI cs.LG
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
Federated Temporal Graph Clustering
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出联邦时序图聚类(FTGC)框架,通过时序聚合机制和联邦优化策略在保护数据隐私和降低通信开销的前提下,跨多客户端去中心化训练图神经网络以学习高质量聚类表示,在时序图数据集上取得有竞争力的性能。
2025-03-03 cs.DC cs.LG
Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction
Lehigh University(里海大学)
提出多分支时空图神经网络,结合GraphSAGE和时间卷积,从顶层冰层厚度预测深层厚度,在准确性和效率上优于现有融合模型。
2024-11-06 cs.CV cs.LG
MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning
Hefei University of Technology(合肥工业大学);The University of Hong Kong(香港大学);The University of Toronto(多伦多大学)
本文提出MTRGL框架,结合时间序列与离散特征构建时序图,利用基于记忆的图神经网络将配对交易中的时序相关性识别转化为链接预测任务,在真实数据集上验证了其优越性能。
2024-02-06 cs.LG econ.GN q-fin.EC
Spatio-Temporal Graph Transformer Networks for Pedestrian Trajectory Prediction
SenseTime Research(商汤科技研究院);National University of Singapore(新加坡国立大学)
了解人群运动动态对于现实世界的应用至关重要,例如,监控系统和自动驾驶。这是具有挑战性的,因为它需要有效地建模的社会意识人群的空间互动和复杂的时间依赖性。我们认为注意力是轨迹预测的最重要因素。在本文中,我们提出了STAR,时空grAph Transformer框架,它只处理注意力机制的轨迹预测。STAR通过TGConv(一种新的基于Transformer的图卷积机制)对图内人群交互进行建模。图间的时间依赖性由单独的时间Transformers建模。STAR通过在空间和时间Transformers之间交错来捕获复杂的时空交互。为了校准消失的行人的长期影响的时间预测,我们引入了一个可读写的外部存储器模块,不断更新的时间Transformer。我们表明,只有注意力机制,STAR实现了最先进的性能5常用的现实世界的行人预测数据集。
2020-07-24 cs.CV cs.LG cs.RO
Are Large Language Models Good Temporal Graph Learners?
Mila - Quebec AI Institute(魁北克AI研究所);School of Computer Science, McGill University(麦吉尔大学计算机科学学院);University of Cambridge(剑桥大学);DIRO, Université de Montréal(蒙特利尔大学DIRO研究所);CIFAR AI Chair(CIFAR人工智能主席);New Jersey Institute of Technology(新泽西理工学院);University of Oxford(牛津大学);AITHYRA
本文提出 TGTalker 框架,将时序图结构转化为自然语言并结合时间邻居,使 LLM 在五个真实网络上取得可比肩 TGNN 的链路预测性能,同时提供文本解释。
2025-06-03 cs.CL cs.LG
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
Temporal Knowledge Graph Completion using Box Embeddings
University of Oxford(牛津大学)
知识图谱完成是基于知识图谱中的现有数据推断缺失事实的任务。时间知识图谱完成(TKGC)是该任务到时间知识图谱的扩展,其中每个事实另外与时间戳相关联。目前的TKGC方法主要建立在现有的嵌入模型上,这些模型是为(静态)知识图谱完成而开发的,并将这些模型扩展到包含时间,其中的想法是学习实体,关系和时间戳的潜在表示,然后使用学习到的表示来预测在各个时间步丢失的事实。本文在静态知识图谱嵌入模型BoxE的基础上,提出了一种面向TKGC的嵌入模型BoxTE。我们发现,BoxTE是充分的表达,并具有很强的归纳能力的时间设置。然后,我们实证评估我们的模型,并表明它实现了国家的最先进的结果在几个TKGC基准。
2021-09-18 cs.AI cs.LG
Predictive Modeling with Temporal Graphical Representation on Electronic Health Records
The Ohio State University(俄亥俄州立大学)
本文提出时间异构图和TRANS模型,将EHR中的时间信息与结构信息统一建模,在三个真实数据集上取得最先进性能。
2024-05-07 cs.AI cs.LG
LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning
Sun Yat-sen University(中山大学);Ant Group(蚂蚁集团)
本文提出工业级框架LasTGL,统一并扩展了常见时序图学习算法的实现,提供数据集、模型和教程,以用户友好和快速原型设计为原则,服务于大规模时序图学习任务。
2023-11-30 cs.AI cs.LG
Graph Neural Networks for temporal graphs: State of the art, open challenges, and opportunities
Fondazione Bruno Kessler(布鲁诺·克塞尔基金会);University of Trento(特伦托大学);University of Siena(锡耶纳大学);University of Cambridge(剑桥大学)
本文首次全面综述了时序图神经网络(GNN)的最新进展,提出了学习任务的形式化定义与基于时序表示处理的新分类法,并讨论了该领域的研究与应用开放挑战。
2023-07-08 cs.AI cs.LG
Spacetime $E(n)$-Transformer: Equivariant Attention for Spatio-temporal Graphs
Stanford University(斯坦福大学)
本文提出 Spacetime $E(n)$-Transformer(SET),通过在空间与时间中引入旋转、平移和排列等变归纳偏置,在带电 $N$ 体问题上显著优于缺乏对称性保持的模型。
2024-08-12 cs.AI cs.LG
TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion
McGill University(麦吉尔大学);MILA(米拉魁北克人工智能研究所)
在时态知识图谱(TKG)中推断缺失事实是一项基本且具有挑战性的任务。以前的工作已经解决了这个问题,通过增加静态知识图谱的方法,利用时间相关的表示。然而,这些方法并没有明确地利用多跳结构信息和时间事实,从最近的时间步,以提高他们的预测。此外,以前的工作并没有明确地解决时间稀疏性和可变性的实体分布在TKG。我们提出了时间消息传递(TeMP)框架,以解决这些挑战相结合的图神经网络,时间动力学模型,数据填补和基于频率的门控技术。在标准TKG任务上的实验表明,与以前的最先进技术相比,我们的方法提供了实质性的收益,在三个标准基准测试中,Hits@10的平均相对改进为10.7%。我们的分析还揭示了TKG数据集内部和跨数据集的重要可变性来源,我们引入了几个简单但强大的基线,在某些设置中优于现有技术。
2020-10-07 cs.AI cs.CL cs.LG
Higher-order Structure Boosts Link Prediction on Temporal Graphs
Meta
针对现有TGNN忽略高阶结构、存在效率瓶颈的问题,提出融合超图表示的HTGN,通过识别高阶结构、聚合边特征为超边表示,提升动态链接预测性能并降低内存成本。
2025-05-21 cs.AI cs.LG
HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting
由于天气预报对人类生活的影响和大气运动的复杂性,天气预报是一项极具吸引力和挑战性的任务。在大量历史观测时间序列数据的支持下,该任务适用于数据驱动的方法,特别是深度神经网络。近年来,基于图神经网络(GNNs)的时空预测方法取得了优异的性能。然而,基于GNNS的规范方法只能单独建模每个站点的气象变量的局部图或整个站点的全局图,缺乏不同站点的气象变量之间的信息交互。本文提出了一种新的层次时空图神经网络(HiSTGNN)模型,用于模拟多站气象变量之间的跨区域时空相关性。采用自适应图学习层和空间图卷积构造自学习图,研究变量级图和站点级图节点间的隐藏依赖关系。为了捕获时间模式,设计了作为门时间卷积的骨干的扩张的起始来模拟长期和各种气象趋势。此外,提出了一种动态交互学习的层次图中建立双向的信息传递。在三个真实气象数据集上的实验结果表明,HiSTGNN在7个基线之外具有优异的性能,与最先进的天气预报方法相比,其误差降低了4.2%至11.6%。
2022-09-19 cs.AI cs.LG
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
Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs
Utrecht University(乌得勒支大学)
在知识图谱嵌入(KGE)中包含事实的时间范围为改进所得到的嵌入提供了重要的机会,并且因此为下游应用中的提高的性能提供了重要的机会。然而,很少有研究工作集中在这一领域,许多研究报告显示,与没有时间范围训练的模型(静态模型)相比,结果只略有改善。此外,而不是利用现有的静态模型的工作,他们介绍了特定的时间知识图谱的新模型。我们提出了一个新的视角,利用现有的静态嵌入模型的力量,集中精力操纵数据,而不是。我们的方法SpiMe从信号处理领域和图嵌入的早期工作中汲取灵感。我们表明,SpliMe竞争或优于目前的最先进的时间KGE。此外,我们发现目前用于评估静态模型在时间图上的性能的过程中存在的问题,并介绍了两种方法来抵消它们。
2021-06-29 cs.AI cs.CL cs.LG
Spatio-Temporal Graph Scattering Transform
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Shanghai Jiao Tong University(上海交通大学);University of Southern California(南加州大学)
虽然时空图神经网络在处理多个相关时间序列方面取得了巨大的经验成功,但由于缺乏足够的高质量训练数据,它们在某些现实场景中可能不切实际。此外,时空图神经网络缺乏理论解释。为了解决这些问题,我们提出了一个新的数学设计的框架来分析时空数据。我们提出的时空图散射变换(ST-GST)扩展了传统的散射变换的时空域。它执行时空图小波和非线性激活函数的迭代应用,这可以被视为时空图卷积网络的前向传递而无需训练。由于ST-GST中的所有滤波器系数都是数学设计的,因此它适用于训练数据有限的实际情况,并且还允许理论分析,这表明所提出的ST-GST对输入信号和结构的小扰动是稳定的。最后,我们的实验表明:i)ST-GST优于时空图卷积网络,在MSR 3D数据集上的准确性提高了35%; ii)基于可分离时空图的变换比基于联合时空图的变换更好,计算效率更高; iii)ST-GST中的非线性对经验性能至关重要。
2021-02-09 cs.AI cs.CV 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
Spatio-Temporal Graph Convolutional Networks: Optimised Temporal Architecture
University of Oxford(牛津大学)
本研究提出结合CNN与LSTM时间块的时空图卷积网络新架构,通过理论论证和多数据集实验,实证比较了新模型与现有模型的性能。
2025-01-14 cs.LG stat.ML
TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models
George Mason University(乔治梅森大学);Beijing University of Posts and Telecommunications(北京邮电大学)
最近正在积极开发的静态图的深度生成模型在分子设计等领域取得了重大成功。然而,许多现实世界的问题涉及时序图,其拓扑结构和属性值随时间动态演变,包括重要的应用,如蛋白质折叠,人类移动网络和社交网络增长。到目前为止,用于时间图的深度生成模型尚未得到很好的理解,并且用于静态图的现有技术不足以用于时间图,因为它们不能1)按时间顺序编码和解码连续变化的图拓扑,2)通过时间约束强制有效性,或者3)确保信息无损时间分辨率的效率。为了解决这些挑战,我们提出了一个新的模型,称为“时间图生成对抗网络"(TG-GAN)的连续时间时间图生成,通过建模截断时间随机游走及其组成的深层生成过程。具体来说,我们首先提出了一种新的时间图生成器,联合模型截断边序列,时间预算,和节点属性,与新的激活函数,执行时间有效性约束下经常性架构。此外,提出了一种新的时间图编码,它结合了时间和节点编码操作的递归架构,以区分所产生的序列从一个新开发的截断时间随机游走采样器采样的真实的。在合成数据集和真实数据集上的大量实验表明,TG-GAN在效率和有效性方面明显优于比较方法。
2020-06-09 cs.LG stat.ML
Comparing Temporal Graphs Using Dynamic Time Warping
TU Berlin(柏林工业大学)
在许多现实世界的网络中,节点对之间的链接会随着时间的推移而变化。因此,最近出现了一个研究时间图的热潮。识别时序图中的模式需要一个接近度来比较不同的时序图。为此,我们建议研究时间图上的动态时间弯曲。我们定义动态时间图弯曲距离(dtgw)来决定两个时间图的相异性。我们的新措施是灵活的,可以应用于各种应用领域。我们表明,计算dtgw距离是一个具有挑战性的(一般)NP-难优化问题,并确定一些多项式时间可解的特殊情况。此外,我们开发了一个二次规划公式和一个有效的启发式。在真实数据的实验中,我们表明,启发式执行非常好,我们的dtgw距离表现良好,在去匿名网络相比,其他方法。
2020-07-06 cs.LG stat.ML
ST-UNet: A Spatio-Temporal U-Network for Graph-structured Time Series Modeling
Peking University(北京大学);Beijing Institute of Big Data Research(北京大数据研究院)
时空图学习正成为图研究的一个重要对象。许多应用领域涉及高度动态的图,其中时间信息是至关重要的,例如交通网络和金融交易图。尽管结构化数据的学习不断取得进展,但仍然缺乏有效的手段来提取时空结构中的动态复杂特征。特别是,传统的模型,如卷积网络或递归神经网络是无法揭示的时间模式,在短期或长期和探索的空间属性在局部或全球范围内的时空图同时。为了解决这个问题,我们设计了一种新的多尺度架构,时空U网(ST-UNet),用于图结构的时间序列建模。在该U型网络中,提出了一种时空域的成对采样操作:池化(ST-Pool)在空间上粗化输入图的确定性划分,同时通过扩张的循环跳跃连接提取多分辨率时间依赖;基于下采样中的先前设置,解池(ST-Unpool)恢复时空图的原始结构并恢复图序列内的规则间隔。时空预测任务的实验表明,我们的模型有效地捕捉多个尺度的综合特征,并在几个真实世界的数据集上实现了对主流方法的实质性改进。
2021-06-15 cs.LG stat.ML
3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting
Peking University(北京大学);Hangzhou Dianzi University(杭州电子科技大学);Beijing Institute of Big Data Research (BIBDR)(北京大数据研究院)
时空预测在许多应用领域特别是交通领域中起着重要的作用。然而,由于道路网络具有复杂的时空相关性和高度的非线性动态性,交通预测任务仍然具有挑战性。现有的工作要么表现出沉重的训练成本或未能准确地捕捉时空模式,也忽略了遥远的道路之间的相关性,共享相似的模式。在本文中,我们提出了一种新的深度学习框架来克服这些问题:3D时间图卷积网络(3D-TGCN)。我们的模型的两个新的组件。(1)我们不是基于空间信息构建道路图,而是通过比较每条道路的时间序列之间的相似性来学习道路图,从而提供了一个无空间信息的框架。(2)我们提出了一种新颖的3D图卷积模型,以更准确地建模时空数据。实证结果表明,3D-TGCN可以优于最先进的基线。
2019-03-03 cs.LG stat.ML
Non-separable Spatio-temporal Graph Kernels via SPDEs
Finnish Center for Artificial Intelligence FCAI(芬兰人工智能中心FCAI);Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学)
本文利用SPDE与图上高斯过程的联系,提出推导不可分离时空图核的框架,并在热方程与波动方程上构建图核,在实际应用中优于现有图核。
2024-12-27 cs.LG stat.ML
Inductive Representation Learning on Temporal Graphs
Walmart Labs(沃尔玛实验室)
时态图上的归纳表示学习是在真实世界动态网络上进行可扩展机器学习的重要一步。时态动态图的演化性质要求处理新节点以及捕获时态模式。节点嵌入,现在是时间的函数,应该代表静态节点功能和不断变化的拓扑结构。此外,节点和拓扑特征也可以是时态的,节点嵌入也应该捕获其模式。我们提出了时间图注意(TGAT)层,以有效地聚合时间拓扑邻域功能,以及学习的时间特征的相互作用。对于TGAT,我们使用自注意机制作为构建块,并开发了一种新的功能性时间编码技术的基础上,经典的Bochner定理从谐波分析。通过堆叠TGAT层,网络将节点嵌入识别为时间的函数,并且能够随着图的演变归纳地推断新节点和观察到的节点的嵌入。所提出的方法处理节点分类和链接预测任务,并且可以自然地扩展到包括时间边缘特征。我们用两个基准和一个工业数据集在时间设置下的转换和归纳任务来评估我们的方法。我们的TGAT模型与最先进的基线以及以前的时间图嵌入方法相比毫不逊色。
2020-02-19 cs.LG stat.ML
Spatio-Temporal Deep Graph Infomax
University of Cambridge(剑桥大学);Microsoft Research(微软研究院);Mila – Québec Artificial Intelligence Institute(Mila——魁北克人工智能研究所)
时空图,如交通网络或基因调控系统,对现有的深度学习方法提出了挑战,因为随着时间的推移结构变化的复杂性。为了解决这些问题,我们引入了时空深度图Infomax(STDGI)--一种基于互信息最大化的完全无监督节点表示学习方法,该方法利用了图的时间和空间动态。我们的模型通过训练嵌入来最大化图的补丁之间的互信息,在任何给定的时间步,以及补丁的中心节点的特征之间,在未来,来解决节点级回归的挑战性任务。我们通过实验和定性研究表明,学习表示可以成功地编码有关输入图的相关信息,提高时空自回归预测模型的预测性能。
2019-04-12 cs.LG stat.ML
Efficient Learning-based Graph Simulation for Temporal Graphs
Australian Artificial Intelligence Institute(澳大利亚人工智能研究所);University of Technology Sydney(新南威尔士大学);School of Computer Science(计算机科学学院);Tongji University(同济大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of New South Wales(新南威尔士大学);Australia Artificial Intelligence Institute(澳大利亚人工智能研究所)
本文提出时序图自编码器(TGAE),通过注意力编码器和自我图解码器高效模拟时序图,在质量和效率上优于现有方法。
2025-10-07 cs.LG
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
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
Edge Sparsification via Temporal Forman-Ricci Curvature for Dynamic Graph Learning
University of Manitoba(曼尼托巴大学);University of Central Florida(中佛罗里达大学)
本研究针对动态图学习中大规模时序图计算挑战,提出TRicci框架,通过时序Forman-Ricci曲率实现边稀疏化,可在保持预测性能的同时缩短训练推理时间。
2026-08-25 cs.LG
ChronoQG: Towards a Temporally Expressive and Hop-Bounded Benchmark for Temporal Knowledge Graph Question Generation
Nankai University(南开大学);Peking University(北京大学);University of Electronic Science and Technology of China(电子科技大学);Shanghai University of Finance and Economics(上海财经大学)
研究时态知识图谱问题生成,提出ChronoQG框架,通过整合多种方法构建有时态表现力和跳数限制的基准数据集,评估多种设置下的相关方法,揭示静态KGQG与TKGQG差距,为时态忠实问题生成提供测试平台。
2026-07-17 cs.LG
Spatial-Temporal Graph Convolutional Networks for Sign Language Recognition
Universidade Federal de Pernambuco(伯南布哥联邦大学)
识别手语是一项具有挑战性的任务,在促进聋人交流方面发挥着重要的社会作用。提出了一种基于人体骨骼运动的时空图卷积网络手语识别方法。该方法使用图形来捕捉符号动态的两个维度,空间和时间,考虑到语言的复杂方面。此外,我们提出了一个新的基于ASLLVD的手语人类骨骼数据集,以促进未来的相关研究。
2020-05-20 cs.CV cs.LG stat.ML
DeepFall -- Non-invasive Fall Detection with Deep Spatio-Temporal Convolutional Autoencoders
University of Toronto(多伦多大学);Toronto Rehabilitation Institute(多伦多康复研究所);University Health Network(大学健康网络)
人类跌倒很少发生;然而,从健康和安全的角度来看,检测跌倒非常重要。由于跌倒的罕见性,很难采用监督分类技术来检测它们。此外,在这些高度偏斜的情况下,也难以提取领域特定特征来识别跌倒。在本文中,我们提出了一种新的框架,\textit{DeepFall},它制定了作为一个异常检测问题的跌倒检测问题。\textit{DeepFall}框架提出了深度时空卷积自动编码器的新用途,以使用非侵入式感测模态从正常活动中学习空间和时间特征。我们还提出了一种新的异常评分方法,结合重建分数的帧在一个时间窗口来检测看不见的下降。我们在三个公开的数据集上测试了\textit{DeepFall}框架,这些数据集是通过非侵入式传感模式、热成像相机和深度相机收集的,与传统的自动编码器方法相比,该框架显示出更好的结果来识别看不见的跌倒。
2020-04-27 cs.CV cs.LG stat.ML
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
Time-varying Graph Learning Under Structured Temporal Priors
Southeast University(东南大学)
本文试图通过使用结构化的时间先验知识来学习时变图,该先验知识假设图序列中任意两个图之间的潜在关系。不同于现有的基于链结构的方法中的先验知识,如时间同质性只能描述两个连续图的变化,我们提出了一个结构命名为\emph{temporal graph}来描述底层的真实时间关系。在这个框架下,链结构实际上是我们的时态图的一个特例。我们进一步提出了一种分布式算法--交替方向乘子法(ADMM)来求解诱导优化问题。数值实验证明了该方法的优越性。
2022-02-23 cs.LG eess.SP
Frequency Analysis of Temporal Graph Signals
TU Berlin(柏林工业大学)
本文提出时序图频谱分析概念,统一了时频和图频分析方法,通过联合时频变换设计分布式滤波器用于干扰消除。
2016-02-14 cs.LG cs.SY eess.SY
arXiv4TGC: Large-Scale Datasets for Temporal Graph Clustering
National University of Defense Technology(国防科技大学)
针对时序图聚类领域缺乏可靠大规模评估数据集的问题,本文构建了包含5个子集的arXiv4TGC学术数据集,其中最大子集含130万标注节点与1000万时序边,实验证明该数据集更适配大规模时序图聚类模型评估。
2023-06-08 cs.AI cs.LG
Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学);National University of Defense Technology(国防科技大学);Beijing Jiaotong University(北京交通大学)
由于交通网络的复杂时空相关性,准确的交通预测是智能交通系统中一项具有挑战性的任务。许多现有的作品利用复杂的时间建模方法,结合图卷积网络(GCN)捕捉短期和长期的时空依赖性。然而,这些设计复杂的分离模块限制了时空表示学习的有效性和效率。此外,大多数以前的工作采用固定的图构造方法来表征全局时空关系,这限制了模型对不同时间段甚至不同数据场景的学习能力。为了克服这些限制,我们提出了一个自动扩张的时空同步图网络,名为Auto-DSTSGN的流量预测。具体来说,我们设计了一个自动膨胀时空同步图(Auto-DSTSG)模块,通过以递增的顺序堆叠具有膨胀因子的更深层来捕获短期和长期的时空相关性。此外,我们提出了一个图结构搜索方法,自动构建时空同步图,可以适应不同的数据场景。在四个真实数据集上的大量实验表明,与现有方法相比,我们的模型可以实现约10%的改进。源代码可在https://github.com/jinguangyin/Auto-DSTSGN上获得。
2022-07-22 cs.LG
Filtration-Based Representation Learning for Temporal Graphs
Indian Institute of Science Education and Research Tirupati(印度科学教育与研究学院 Tirupati);Chennai Mathematical Institute(钦奈数学研究所);Institut Polytechnique de Paris(巴黎高等技术学院)
本文提出基于δ-时序动机的滤波方法,用于时序图的多尺度表示学习,并在分类任务中验证了其有效性。
2025-12-03 cs.CG cs.LG math.AT
Salient Temporal Encoding for Dynamic Scene Graph Generation
Carnegie Mellon University(卡内基梅隆大学)
针对动态场景图生成中时序连接冗余无意义的问题,提出仅在时序相关对象对间构建显式边的显著时序编码方法,提升了场景图检测及下游动作识别任务的性能。
2025-03-15 cs.CV cs.LG
Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting
Yale University(耶鲁大学)
基于图的交通流预测在交通系统、计算机网络等领域有着广泛的应用。由于复杂的时空相关性和非线性的交通模式,交通预测具有很大的挑战性。现有的工作大多是通过考虑空间相关性和时间相关性分别建模这种时空依赖性,而不能建模的直接时空相关性。受最近在图域中成功的Transformers的启发,在本文中,我们提出了直接使用本地多头自注意力的时空图上的跨时空相关性建模。为了降低时间复杂度,我们将注意力感受野设置为空间相邻的节点,并且我们还引入了自适应图来捕获隐藏的时空依赖性。基于这些注意力机制,我们提出了一种新的自适应图时空Transformer网络(ASTTN),它堆叠多个时空注意力层,以应用自注意力的输入图,其次是线性层的预测。在公共交通网络数据集METR-LA PEMS-BAY、PeMSD 4和PeMSD 7上的实验结果表明了该模型的优越性能。
2022-07-09 cs.AI cs.LG