干货| 美国康奈尔大学博士生——王彦邦

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

在现实世界中，许多动态系统都可以抽象为时序网络，这些网络通常按照某些规律发展，比如在社会网络中普遍存在的Triadic closure。时序网络通过归纳表征学习可以捕捉到这样的规律，并进一步将其应用于遵循相同规律但在训练阶段未曾见过的系统。这一领域的先前工作依赖于网络节点的身份或丰富的边缘属性，但通常这些规律很难被提取到。在《Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks》一文中，作者提出采用Causal Anonymous Walks（CAWs）代表一个时间网络。

CAWs由temporal random walks提取，作为temporal network motifs的自动检索来表示网络动态，同时避免了对motifs进行耗时的选择和计数。CAWs采用了一种新的匿名化策略，用基于一组抽样行走的节点的命中率计数代替节点身份，以保持方法的归纳性，并同时建立了motifs之间的关联性。作者进一步提出了一个神经网络模型CAW-N来编码CAWs，并将其与具有恒定内存和时间成本的CAW采样策略配对，以支持在线训练和推理。

作者通过预测6个真实时序网络中的链接对CAW-N进行了评估，结果表明，预测结果在不同的模式下以平均10%的AUC增益优于以前的SOTA方法。另外，在2/3的网络中，CAW-N模型所得到的结果也优于以前的方法。

本期AI TIME PhD直播间，我们有幸邀请到了该论文的作者，现就读于康奈尔大学的博士生王彦邦，为大家分享这项有趣的研究工作！

# 嘉宾介绍 #

王彦邦：

斯坦福大学计算机科学硕士，康奈尔大学计算机科学博士生。研究兴趣：图的机器学习、数据挖掘、计算社会科学和大数据分析。目前在Stanford Social Network Analysis Group工作，由Jure Leskovec和Pan Li教授指导。曾在NeurIPS、ICLR、WWW、TVCG、LAK等国际顶级会议和期刊上发表多篇论文。

#1

什么是时序网络？