GNN论文调研【方向是时间序列】

已于 2022-05-17 08:52:03 修改
阅读量1.2k 收藏 10
点赞数 1
分类专栏： 时间序列分析 论文 图 文章标签： 深度学习 人工智能
于 2022-05-14 23:15:38 首次发布
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/weixin_43332715/article/details/124764501
版权
论文 同时被 3 个专栏收录
32 篇文章 21 订阅
订阅专栏
时间序列分析
28 篇文章 8 订阅
订阅专栏
图
15 篇文章 0 订阅
订阅专栏

【时序】DCRNN：结合扩散卷积和GNN的用于交通流量预测的时空预测网络_datamonday的博客-CSDN博客

【时序】Time2Graph：使用动态 Shapelets 和 GNN 进行时间序列建模_datamonday的博客-CSDN博客_time2graph

基于GNN的多变量时序预测（MTGNN） - 知乎

基于LSTM与GNN融合的COVID-19预测模型 - 知乎

【时序】Time2Graph：使用动态 Shapelets 和 GNN 进行时间序列建模_datamonday的博客-CSDN博客_time2graph

合作对象:十室 周晓峰 鲁东 李怀翱 专做时间序列预测方向工作

               八室 刘硕 时间序列预测比赛与论文工作

传统深度学习方法在欧式空间里取得了巨大成功，但面对非欧空间的数据时，就捉襟见肘了，这类数据的节点往往没有固定顺序，连接是动态和多模态的，它们可以用表现能力很强的图结构来表示，那么问题来了，如何把这种图结构嫁接到神经网络上，从而实现不同空间的跨越呢？

图神经网络GNN应运而生，和传统的神经网络相比，它解决了两个问题：

  1. 图结构的矩阵化表示
  2. 层内与层间的消息传递

这个视频讲解的很形象

【GNN 图神经网络】直观透彻理解_哔哩哔哩_bilibili

更细的还是看看李沐老师的吧

零基础多图详解图神经网络（GNN/GCN）【论文精读】_哔哩哔哩_bilibili

思考实践
关注
专栏目录
时间序列分析 | Python实现Time2Graph时间序列GNN建模
前程算法屋的博客
10-20 1207
时间序列分析 | Python实现Time2Graph时间序列GNN建模
什么是Sequential Recommendations？关于Sequential Recommendations的全面调研！
Marcus-Bao的个人主页
01-17 499
本文参考自论文《Sequential Recommender Systems: Challenges, Progress and Prospects》，是对其翻译和总结。关于SeqRec我也分享过不少的文章，也进行过简单的总结，可以看深入探寻《Self-Attentive Sequential Recommendation》ICDM‘18. 摘要 本文首先介绍了Sequential Recommender Systems（SRSs）的特点，然后对该领域面临的主要挑战进行了总结和分类，接着介绍了该领域最.
与怀翱师兄交流——关于GNN做时间序列预测
To be a better man
05-15 2428
1.图只是为了多变量 师兄给的论文整理链接 https://github.com/thunlp/GNNPapers 2. “我最近在看thuml组的autoformer，看代码了，想在这个基础上做点东西” "可以，你找一个时序的方法，改进一下，再用图增强一下，就行了" 3.“纯用图不太好做，图神经网络，基本是图分类，节点分类问题比较多，预测基本是交通流量用的多，基本上也是会用一个时序的方法” 4.“嗯嗯，说白了，你数据中每一个变量就是图的一个节点，边、图邻接矩阵，根据你自己的情况有或没有，没
技术动态 | GNN如何建模时间序列？莫纳什大学等最新《时间序列图神经网络综述:预测、分类、插补和异常检测》...
开放知识图谱
07-31 915
转载公众号 | 专知时间序列是用于记录动态系统测量结果的主要数据类型，并由物理传感器和在线过程（虚拟传感器）大量生成。因此，时间序列分析对于发掘可用数据中隐含的信息丰富性至关重要。随着图神经网络（GNNs）的最近进步，基于GNN的时间序列分析方法的研究有所增加。这些方法可以明确地模拟时间和变量之间的关系，这是传统的和其他基于深度神经网络的方法难以做到的。在这次综述中，我们对图神经网络进行了全面的时...
图神经网络（GNNs）在时间序列分析中的应用
人工智能讲师分享前沿技术
05-10 1149
分类任务通过学习时间序列的特征将其分配到不同的类别中，而插补任务则专注于填补数据中的缺失部分。作为框架的核心，通过图结构捕捉时间序列数据中的复杂空间和时间依赖性，其中空间模块处理变量间关系，时间模块处理时间点间的关系，而图结构学习则负责从数据中提取或学习图的拓扑结构。在时间序列分析中的研究提供了清晰的方向和系统的方法，不仅有助于理解现有研究的工作，也为未来的研究方向和应用提供了指导。可以处理来自多个传感器的时间序列数据，以识别设备间的复杂关系，优化设备间的协同工作，提高整个系统的能效和响应速度。
命名实体识别NER论文调研
Chile_Wang的博客
01-03 1992
因为NER任务与笔者之前做的CCF互联网金融新实体识别竞赛相关,所以这两个月也调研了一些NER的算法，这两年的NER算法思想主要集中在将词典信息融入训练过程，达到减少中文语义歧义的效果。...
【GNN】GN：更通用的 GNN 架构
阿泽的学习笔记
06-09 2146
今天学习的是 DeepMind 2018 年的工作《Relational inductive biases, deep learning, and graph network》，目前超 500 次引用。这篇论文是 DeepMind 联合谷歌大脑、MIT、爱丁堡大学等 27 名同学发表的重磅论文，同时提出了“图网络”的框架，将端到端学习与归纳推理相结合，并有望解决深度学习无法进行关系推理的问题。 这篇论文一部分是对过去的工作进行回顾，另一部分是过去的工作进行总结与统一。作者指出组合泛化能力（combinato
知识图谱在推荐系统中的应用全面调研
Marcus-Bao的个人主页
01-30 843
超长文字预警… 本文是对《A Survey on Knowledge Graph-Based Recommender Systems》的简单总结，文章对近几年知识图谱在推荐系统中的应用做了较为详细的总结和讨论，希望可以给想要入坑的各位一点点启发。 Introduction 近几年，结合知识图谱和推荐系统的方向是一大热，知识图谱(KG)是一个异构图，其中节点作为实体，边表示实体之间的关系。Item及其属性可以映射到KG中，以了解item之间的相互关系[2]。此外，还可以将用户和用户侧信息集成到KG中，从..
事件时间关系抽取
weixin_44151373的博客
08-28 351
由于不同的关系定义之间没有一对一的映射，基于分类的方法需要为每个定义训练一个唯一的分类器。例如，TB-Dense中的关系Includes包含三个区间关系，其中只有两个与MATRES中的关系Before重叠。因此，在TB-Dense上训练的分类器预测include时，无法确定在MATRES的定义下应该预测哪一种关系。（2）TimeBank采取了13种关系，属于细粒度级别的。这样的定义是如此精细，以至于一些关系很难相互区分。
StemGNN:频谱时间图神经网络（简称StemGNN）用于多元时间序列预测
05-05
光谱时间图神经网络用于多元时间序列预测 该存储库是用于多元时间序列预测的频谱时间图神经网络的正式实现。 要求 推荐的OS和Python版本： 操作系统：Ubuntu 18.04.2 LTS Python ：python3.7（）。 要安装python依赖项，建议使用virtualenv， sudo apt install python3.7-venv可以为python3.7安装virtualenv。 所有python依赖项都针对pip==20.1.1和setuptools==41.2.0进行了验证。 运行以下命令以创建venv并安装python依赖项： python3.7 -m venv venv source venv/bin/activate pip install --upgrade pip pip install -r requirements.txt 数据集 ， ，
五篇与【图神经网络 (GNN) 】相关的论文（来源于KDD 2020）
05-26
本文为大家整理了五篇KDD 2020 图神经网络（GNN）相关论文，供大家参考。——图结构学习、多元时间序列预测、负采样、多任务多视角图表示学习、多兴趣推荐
图神经网络 | Python基于GNN和ARIMA的时间序列预测
前程算法屋的博客
11-21 1232
图神经网络 | Python基于GNN和ARIMA的时间序列预测
多元时间序列 | GNN多元时序预测概念
前程算法屋的博客
01-08 1283
多元时间序列 | GNN多元时序预测概念
基于多尺度自适应图神经网络的多变量时间序列预测
hellozhxy的博客
09-06 1398
本文介绍一篇刚被数据挖掘国际顶级期刊TKDE 2023接收的regular paper。
PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
热门推荐
KI的博客
01-09 1万+
PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
轻松发高分的好思路：GNN+时间序列预测！新SOTA效率翻了5倍
最新发布
学姐带你玩AI的博客
09-11 688
在时序预测领域，通过合理构建和应用图结构，GNN能有效捕捉时空数据中的复杂依赖关系，轻松提高预测的准确性。因此最近这个方向出现了很多效果很好的研究，比如GraFITi模型，利用GNN来预测不规则采样的时间序列数据，预测准确性超越SOTA，运行时间最高减少了5倍。再比如GinAR，即使在90%的变量缺失的情况下，仍然能取得了最佳成果。可见GNN+时序预测研究热度高涨，想投顶会给自己加码的同学可以考虑。这里为了帮助各位快速了解这个方向目前的最新动态，我整理好了给各位作参考，代码基本都有。
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测
前程算法屋的博客
05-01 1856
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测 目录交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测基本介绍环境配置数据处理模型结构程序设计参考资料 基本介绍 将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络 (Diffusion Convolutional Recurrent Neural Network，DCRNN)，这是一种用于交通预测的深度学习框架，它在交通流中结合了空间和时间依赖性。具体来说，DCRNN 使用图上的双向随机游走来捕获空间依
NeurIPS 2023 时间序列预测论文总结
suzukiwudi的博客
12-14 1560
时间序列预测在金融、交通、能源、医疗等不同行业中发挥着关键作用。虽然现有文献设计了许多基于 RNN、GNN 或 Transformer 的复杂架构，但提出了另一种基于多层感知器（MLP）的方法，其结构简单、复杂度低且性能优越。然而，大多数基于MLP的预测方法都存在逐点映射和信息瓶颈，这在很大程度上阻碍了预测性能。为了克服这个问题，本文探索了在频域中应用 MLP 进行时间序列预测的新方向。
python GNN时间序列
11-09
GNN时间序列是指使用Python编程语言实现的图神经网络（GNN）在时间序列数据上的应用。其中，GNN是一种基于图结构的深度学习模型，可以用于处理各种类型的数据，包括时间序列数据。在时间序列数据上，GNN可以用于提取...
评论
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