TGN：Temporal Graph Networks论文解读

最新推荐文章于 2024-05-14 11:23:00 发布
VIP文章 最新推荐文章于 2024-05-14 11:23:00 发布
阅读量5.2k 收藏 11
点赞数
分类专栏： 图神经网络 文章标签： 神经网络 数据挖掘 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40022890/article/details/113851578
版权

公众号 异度侵入

“

图神经网络（GNNs）的研究已经成为今年机器学习领域的热门话题之一。GNNs最近在生物、化学、社会科学、物理等领域取得了一系列成功。但GNN模型目前以静态图上偏多，然而现实世界许多关系是动态的，比如社交网络、金融交易和推荐系统，动态的变化包含了许多重要信息，只考虑静态图，很难捕捉到其中信息。

”

本篇文章发表在ICLR2020上，对动态图的节点进行连接预测。TGN中，作者除利用传统的图神经网络捕捉非欧式结构生成embedding外，还利用动态图所中时序信息。在本篇公众号里主要介绍TGN中embedding以及memory的更新机制，包含一小部分源码。

图片

时序图示例

 

01

TGN模型结构

下图为TGN 的一个例子，包含了编码部分和解码部分，在文章中主要是介绍了如何使用TGN进行编码，生成embedding，文章中选择MLP层作为解码器。上面的图片可以理解为，对于节点2和节点4连接的可能性的预测，首先通过TGN生成t8时刻节点2和节点4的embedding，然后通过解码器生成节点2和节点4在t8时刻的连接的可能性。

图片

 

最低0.47元/天 解锁文章
captainqxy
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
图神经网络可解释性Slide：GNNExplainer: Generating Explanations for Graph Neural Networks
Drchen
01-28 1007
参考素材： https://blog.csdn.net/weixin_40505645/article/details/105781034
【论文学习】MS-TGN：Multi scale temporal graph networks for skeleton-based action recognition
LoveKKarlie_的博客
02-16 904
Multi scale temporal graph networks for skeleton-based action recognition 基于骨架的动作识别的多尺度时间图网络Computer Science & Information Technology (CS & IT)2020。 提出了MS-TGN模型，该模型主要有两个创新：一种同时提取时间和空间特征的称为TGN的模型，以及一种同时获取局部特征和轮廓特征的多尺度图策略。
tgn:TGN
03-31
TGN：时间图网络[ ， ，] 动态图 TGN 介绍 尽管有很多用于图上深度学习的不同模型，但是迄今为止，很少有人提出处理具有某种动态性质（例如，随着时间的推移而变化的特征或连通性）的图的方法。 在本文中，我们介绍了时间图网络（TGN），这是一种通用的，有效的框架，用于对表示为定时事件序列的动态图进行深度学习。 多亏了内存模块和基于图形的运算符的新颖结合，TGN能够显着优于以前的方法，同时在计算效率上也更高。 我们进一步表明，可以将先前在动态图上进行学习的几种模型转换为我们框架的特定实例。 我们对框架的不同组成部分进行了详细的消融研究，并设计出了最佳配置，该配置在动态图的数个转导和归纳预测任务上均实现了最先进的性能。 论文链接： 运行实验 要求 依赖关系（使用python> = 3.7）： pandas==1.1.0 torch==1.6.0 scikit_learn==0.2
TGN：Temporal Graph Networks for Deep Learning on Dynamic Graphs
yxh的博客
08-31 5322
2、Background 2.1 Deep learning on static graphs 一个静态图 G=(V,E)\mathcal{G}=(\mathcal{V},\mathcal{E})G=(V,E) 包含结点 V=1,...,.n\mathcal{V}={1,...,.n}V=1,...,.n 和边 E⊆V×V\mathcal{E}\subseteq\mathcal{V}\times\mathcal{V}E⊆V×V，军备赋予了 features，对于所有的 i,j=1,...,ni,j=1,..
论文代码阅读：TGN模型训练阶段代码理解
YxinMiracle's Studio.
12-10 252
TGN模型训练阶段代码理解
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
Spatial Temporal Graph Convolutional Networks
02-10
时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文
【论文下饭】Temporal Graph Network for Deep Learning on Dynamic Graphs
LittleSeedling的博客
04-27 3827
文章目录1 介绍2 背景3 Temporal Graph Network3.1 核心模块MemoryMessage Function(msg)Message Aggregator(agg)Memory Updater(mem)Embedding(emb)3.2 训练4 相关工作5 实验5.1 性能表现（实验结果）5.2 模块选择MemoryEmbedding MoudleMessage AggregatorNumber of layers6 结论 综述 Representation Learning for
【计算机视觉】Graph Models算法介绍合集（二）
wzk4869的博客
09-17 379
【计算机视觉】Graph Models算法介绍合集（二）
Temporal Graph Networks for Deep Learning on Dynamic Graphs
Milkha的博客
03-01 991
文章目录1 前言2 问题定义3 TGN思路3.1 Memory3.2 Message Function3.3 Message Aggregator3.5 Memory Updater3.5 Embeddings4 方法的优势与局限性 论文地址：https://arxiv.org/pdf/2006.10637.pdf 来源：ICML 2020 Workshop slides：tgn 源码地址：tgn 关键词：graph representation, temporal graph 1 前言 该论文主要解决
毕业设计源码java-Temporal_Graph_library:Temporal_Graph_library
06-06
Temporal_Graph_library Tink 该存储库包含库 Tink，这是一个使用 Flink 数据流进行时态图分析的库。 此自述文件包含库的基本设置。 这仍在进行中，以后可能会扩展。 项目信息 由于该库中的所有内容都与图形有关，...
TGN-个人存储-Temporal Graph（请勿下载）.zip
10-23
注：请勿下载。 其中，ml_wikipedia 应该是为原版CSV文件，找到较为不易，数据集较大。且若在本机训练，耗费时间较长（几十个小时起步）。 若 ml_wikipedia文件不大，但是其中的数据条数够，那就是压缩过的数据，...
dynamic-graph-papers:动态图表示论文汇总
03-20
动态图表示学习，动态图分析论文汇总项目 本项目总结了动态图表示学习的有关论文，该项目在持续更新中，欢迎大家看/星/叉！ 如果大家有值得推荐的工作，可以在问题中提出要推荐的工作，论文下载链接及其工作亮点（有...
论文笔记《Spatial-Temporal Synchronous Graph Convolutional Networks》
mintminty的博客
06-28 6458
回顾下前面的这篇文章 论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》 在这篇文章中存在一个问题，即模型中的时空图卷积块(GCN+Conv 部分) 先在空间维度图卷积，再在时间维度一维卷积，这样的分步操作并没有实现时空相关性的同步捕获。所以，本篇文章重点解决这个问题。 1. Introduction 首先，需要明确在时空网络中的节点的三类依赖关系。之所以会存在这
matlab中tgn,TGN/EE介导的囊泡运输与GDI1协同调控根毛中ROP2 GTPase的动态定位的机理研究...
weixin_39640395的博客
03-29 315
TGN/EE介导的囊泡运输与GDI1协同调控根毛中ROP2 GTPase的动态定位的机理研究【摘要】：根毛是根表皮细胞凸起形成的管状结构,是植物吸收水分和无机盐的主要部位,其形态的维持对植物的生长发育及响应外界胁迫具有重要意义。由于根毛培养周期较短,便于细胞学观察,与病原菌存在互作关系,并且是快速生长的极性细胞,而成为优良的研究系统。在此我们以根毛为研究体系,探索小G蛋白ROPs (Rho-rel...
图网络模型原理详解（Graph Network）
ChihkAnchor的博客
01-22 4万+
《Relational inductive biases, deep learning, and graph networks》 这篇论文包含了一部分新研究、一部分回顾和部分统一结论，这篇文章涉及到的很多知识面，涉及到联结主义、行为主义、符号主义，其本身的模型并不难，但是要理解其提出来的背景及相关知识联系，和其研究的深层含义就需要慢慢品读其中的参考文献了。 这篇论文是DeepMind联合谷歌大...
[TW 2023] 将三图神经网络与多个隐式反馈相结合，用于社交推荐
sinat_38007523的博客
04-14 149
图神经网络（GNN）已被明确证明在推荐任务中是强大的，因为它们可以捕获高阶用户-项目交互并将其与丰富的属性集成。但是，它们仍然受到冷启动问题和数据稀疏性的限制。利用社会关系辅助推荐是一种有效的做法，但只能适度缓解这些问题。此外，丰富的属性通常不可用，这会阻止 GNN 完全有效。因此，我们建议通过挖掘多个隐式反馈并构建三重GCN组件来丰富模型。我们注意到，用户可能不仅受到他们信任的朋友的影响，还受到已经存在的评级的影响。隐性影响在项目以前的和潜在的评分者之间传播，并且确实会对未来的评级产生影响。
神秘代码（链接至steam指南）
热门推荐
White--Night的博客
03-27 6万+
Magical Girl Celesphonia全cg存档
6. 神经网络的内积
最新发布
一分耕耘一分收获
05-14 748
z=w⋅x+b 其中，𝑤w 是权重向量，𝑥x 是输入向量，𝑏b 是偏置，𝑧z 是线性变换的结果。： 在一些特殊的应用场合，如推荐系统和自然语言处理中的词向量（word embedding）表示中，内积常用来计算向量之间的相似度或相异度。
请简述符号t(n)∈θ(g(n))
01-24
符号t(n)∈θ(g(n))表示一个函数t(n)属于函数集合θ(g(n))，其中θ(g(n))表示一个渐近紧密界定的函数集合，该集合中的函数g(n)是t(n)的上界和下界。 具体地说，如果t(n)∈θ(g(n))，则存在正常数c1和c2，以及对于所有足够大的n，有如下不等式成立： c1 * g(n) ≤ t(n) ≤ c2 * g(n) 其中c1和c2是常数，且c1>0。 这意味着函数t(n)的增长速度和函数g(n)的增长速度相似，它们之间存在线性关系。同时，t(n)可以被g(n)的上界和下界所界定。 符号t(n)∈θ(g(n))可以用来描述算法的时间复杂度，其中t(n)表示算法在输入大小为n的情况下所需的运行时间，而g(n)则表示渐近紧密界定的函数集合，用来描绘算法的时间复杂度的增长趋势。 总之，符号t(n)∈θ(g(n))可以表明函数t(n)的增长速度和函数g(n)的增长速度相似，并且t(n)可以由g(n)的上界和下界所界定。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值