该研究提出了一种同时学习图的属性和结构演化的创新方法，适用于多种图神经网络（GNN）。通过S-stack temporal self-attention和多任务学习，实现了属性预测与链接预测的联合演化。实验在进化合作网络和虚拟货币图数据集上进行，使用了GCN、GAT和GraphSage等模型进行验证。
Published in KDD-DLG workshop 2020. https://arxiv.org/pdf/2007.13004.pdf
关键词：图神经网络，图演化
摘要：提出了一个同时学习图的属性（attributes）和结构（structure）的演化的方法。该方法可以用在各种GNN上。联合学习两个任务：属性预测和链接预测。
方法：
1）S-stack temporal self-attention
2）多任务学习，共同演化。
实验：
两个任务：属性预测和链接预测。
两个数据集：Evolutionary co-authorship graphs；Evolutionary virtual currency graph。
三个改装models：GCN，GAT，GraphSage
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
