An embedding-based distance for temporal graphs
ISI Foundation（ISI基金会）；Aix-Marseille Univ（艾克斯-马赛大学）；Université de Toulon（土伦大学）；CNRS（法国国家科学研究中心）；CPT（理论物理中心）
本文提出一种基于时间尊重随机游走嵌入的时间图距离度量，可处理节点数和时间跨度不同的图，并通过实验验证其能有效区分图的拓扑与时间特性差异。
2024-11-19 cs.LG cs.SI physics.soc-ph
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 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
Temporal Neighbourhood Aggregation: Predicting Future Links in Temporal Graphs via Recurrent Variational Graph Convolutions
图形已经成为一种重要的方式来表示跨各种科学学科的大型，复杂且通常是时态的数据集。然而，当图被用作机器学习模型的输入时，这种丰富的时间信息在学习过程中经常被忽视，导致在某些时间推理任务上的次优性能。为了解决这个问题，我们引入了时间邻域聚合（TNA），一种新的顶点表示模型架构，旨在捕获拓扑和时间信息，直接预测未来的图形状态。我们的模型利用图中不同深度的分层递归来探索时间邻域的变化，同时不需要额外的特征或标签。最终的顶点表示是使用变分采样创建的，并经过优化以直接预测序列中的下一个图。通过对真实和合成基准数据集进行广泛的实验评估，我们的主张得到了加强，与竞争方法相比，我们的方法表现出更优越的性能，在真实世界数据集上预测新的时间边缘时，性能超过它们多达23%，同时还需要更少的整体模型参数。
2019-11-21 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
Introduction to a Temporal Graph Benchmark
时态图是一种数据结构，由节点和边组成，其中边与时间标签相关联。要分析时序图，第一步是找到合适的图数据集/基准。虽然在线存在许多时态图数据集，但没有一个使用间隔标签，其中每个边都与开始和结束时间相关联。因此，我们创建了一个基于维基百科的参考图的时态图数据进行时态分析。本报告旨在为那些有兴趣使用它的人提供有关此图形基准的更多细节。
2017-02-20 cs.SI physics.soc-ph
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
A Temporal Tree Decomposition for Generating Temporal Graphs
发现存在于大型真实世界图中的底层结构是一个基本的科学问题。最近的工作在形式语言理论和图论的交叉发现，超边替换语法（HRG）可以从任何图的树分解提取。该HRG可用于生成共享与原始图相似的属性的新图。因为提取的HRG直接依赖于树分解的形状和内容，所以不太可能用提取算法实际捕获信息图形过程。为了解决这个问题，目前的工作提出了一种新的提取算法，称为时间HRG（tHRG），学习HRG产生式规则从时间树分解的图形。我们观察到的问题，在一个时间HRG模型的假设。在大型真实世界网络的实验中，我们展示并提供了为什么tHRG不执行以及HRG和其他图形生成器的推理。
2017-06-28 cs.SI
HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction
Northeastern University（东北大学）；Microsoft Research Asia（微软亚洲研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
随着电子商务网络、社交网络等时态网络的发展，时态链接预测问题近年来受到越来越多的关注。WSDM Cup 2022的时间链接预测任务期望一个可以同时在两种时间图上工作的单一模型，这两种时间图具有非常不同的特征和数据属性，以预测给定类型的链接是否会在给定的时间跨度内在两个给定的节点之间发生。我们的团队，这里命名为nothing，将此任务视为异构时态网络中的链接预测任务，并提出了一个通用模型，即，异构时态图网络（Heterogeneous Temporal Graph Network，HTGN），解决了时间间隔不固定、链路类型多样的时态链接预测问题。也就是说，HTGN可以适应链路的异构性和在任意给定时间段内具有不固定时间间隔的预测。为了对模型进行训练，我们设计了一种双时间窗训练策略（BTW），该策略在两种时间窗下分别训练两种小批量。因此，对于最终测试，我们在数据集A上实现了0.662482的AUC，在数据集B上实现了0.906923的AUC，并以0.628942的平均T得分获得了第二名。
2022-02-25 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
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
Weighted temporal event graphs
时间网络事件的时间及其相关性包含了网络功能的信息，它们影响着网络上发生的动态过程。为了从相关事件时间中提取信息，已经开发了诸如时间模体分析的技术。我们讨论了一个最近推出的，更一般的框架，映射到静态图的时间网络结构，同时保留信息的时间尊重路径和它们的后续事件之间的时间差。该框架建立在加权时间事件图：有向无环图（DAG），包含所有时间路径的叠加。我们向读者介绍时间事件图映射和相关的计算方法，并通过将框架应用于时间网络渗流来说明其用途。
2019-12-09 cs.SI 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
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
Graph Metrics for Temporal Networks
时间网络，即，其中一组基本单元之间的相互作用随时间变化的网络可以根据时变图来建模，所述时变图是一组节点上的图的时间排序序列。在这样的图中，节点邻接性和可达性的概念关键取决于链接的确切时间顺序。因此，所有的概念和度量提出并用于静态复杂网络的特性必须重新定义或适当地扩展到时变图，以考虑因果关系的时间排序的影响。在本章中，我们将讨论如何表示时态网络，并回顾对链接随时间波动的图有效的行走、路径、连通性和连通分量的定义。然后，我们专注于时间节点的节点距离，我们讨论了如何在这类网络的持续性和时间的小世界行为。最后，我们讨论了经典的中心性度量，包括贴近度，介数和谱中心性，随时间变化的图的情况下，我们回顾了时间模体分析和时间图的模块度的定义的工作。
2013-06-03 cs.SI physics.soc-ph
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
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
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
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
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
SMTPD: A New Benchmark for Temporal Prediction of Social Media Popularity
本文构建了基于YouTube多模态内容的社交媒体时间流行度预测新基准SMTPD及基线框架，验证了时间对齐与早期流行度对预测的关键作用。
2025-03-06 cs.MM 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
Weighted, Bipartite, or Directed Stream Graphs for the Modeling of Temporal Networks
我们最近介绍了一种用于时态网络建模的形式主义，我们称之为流图。它强调数据的流性质，并允许对许多重要概念的严格定义，从而概括了经典图。这特别包括大小、密度、集团、邻域、度、聚类系数和传递性。在这方面的贡献，我们表明，像图，流图可以扩展到应付二分结构，节点和链接的权重，或链接方向。我们回顾了文献中提出的主要的二分，加权或有向图的概念，我们将它们推广到二分，加权，或有向流图的情况下，我们表明，得到的概念是一致的图和流图。这为具有这些特征中的一个或多个的许多时间网络的准确建模提供了正式的基础。
2021-11-23 cs.DS cs.SI physics.soc-ph
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
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
