Temporal Network Representation Learning via Historical Neighborhoods Aggregation

最新推荐文章于 2024-06-14 15:00:00 发布
最新推荐文章于 2024-06-14 15:00:00 发布
阅读量92 收藏
点赞数 3
分类专栏： 各类数据结构 文章标签： 深度学习 人工智能 机器学习
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/zj_18706809267/article/details/127024255
版权

网络嵌入是一种学习节点低维表示的有效方法，可应用于可视化、节点分类、链路预测等各种现实应用。尽管近年来该问题取得了重要进展，但仍存在一些重要挑战，如如何正确捕获演化网络中的时序信息。在实践中，大多数网络都在不断发展。一些网络只添加新的边或节点，如作者网络，而另一些网络支持删除节点或边，如互联网数据路由。如果网络结构的变化中存在模式，我们可以更好地理解节点之间的关系和网络的演化，从而进一步学习具有更有意义信息的节点表示。本文提出了基于历史邻域聚合的嵌入(EHNA)算法。首先提出了一种时间随机游走，可以识别对边形成有影响的历史邻域中的相关节点。然后应用深度学习模型，该模型使用自定义注意力机制来诱导节点嵌入，直接捕获底层特征表示中的时间信息。在一系列真实数据集上进行了广泛的实验，结果证明了所提出的新方法在网络重建任务和链路预测任务中的有效性

西西弗的小蚂蚁
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Temporal Data Mining via Unsupervised Ensemble Learning Yun Yang 2016
12-16
Concentrates on temporal data clustering tasks from different perspectives, including major algorithms from clustering algorithms and ensemble learning approaches Presents a rich blend of theory and ...
Fast Learning of Temporal Action Proposal via Dense Boundary
10-19
Fast Learning of Temporal Action Proposal via Dense Boundary
CCF A类会议或期刊----近两年表示学习相关论文
Thincor的博客
03-20 2765
会议/期刊 论文 sigmod2021 Imminence Monitoring of Critical Events: A Representation Learning Approach. neurips2020 Ultrahyperbolic Representation Learning. neurips2020 Unsupervised Representation Learning by Invariance Propagation. neurips2020 Self....
动态知识图补全问题
UpUp的博客
05-12 1853
4.19-4.23 动态信息 1.Dual Quaternion Knowledge Graph Embeddings 本文应该是静态方法，距离公式和旋转公式的一个统一框架。提出一个新的映射空间，Dual Quaternion space .感觉和极坐标那个有异曲同工之妙，不过本文算是统一了两个主要方法在一个空间的平面完成了旋转操作，在立体上完成了距离测算，两者统一就是完成了头尾实体的映射。 两种传统方法的优劣 定义三种关系，记录一下 对称(symmertric)（反对称(abtisymmetri..
ICLR 2014 International Conference on Learning Representations深度学习论文papers
GarfieldEr007的专栏
03-29 5394
ICLR 2014 International Conference on Learning Representations Apr 14 - 16, 2014, Banff, Canada   Workshop Track Submitted Papers Stochastic Gradient Estima
ICLR'22 | 图机器学习最近都在研究什么？
zenRRan的博客
11-22 5385
每天给你送来NLP技术干货！来自：图与推荐 ICLR由Yann LeCun和Yoshua Bengio等大牛发起，在2013年成立了第一届会议，会议开创了公开评议机制（open revie...
Incremental Graph Convolutional Network for Collaborative Filtering（阅读论文笔记）
qq_44752117的博客
03-21 4173
本文提出的，是一种新的基于神经网络的CF算法。 一方面，通过增量学习的方式，改进先前基于RNN的CF算法中，存在的“灾难性遗忘的问题”。 做到这一点，通过使用MAML、堆叠iTCN，从而提高模型从新数据中整合新知识和提炼已有知识的能力(可塑性)；
AAAI2021论文列表（中英对照）
dovings的博客
07-04 7874
AAAI2021论文列表（中英对照）
《Relational inductive biases, deep learning, and graph networks》图网络 论文解读
木东的博客
01-06 640
研究背景 机器学习界有三个主要学派，符号主义（Symbolicism）、连接主义（Connectionism）、行为主义（Actionism）。 符号主义的起源，注重研究知识表达和逻辑推理。经过几十年的研究，目前这一学派的主要成果，一个是贝叶斯因果网络，另一个是知识图谱。 贝叶斯因果网络的旗手是 Judea Pearl 教授，2011年的图灵奖获得者。但是据说 2017年 NIPS 学术会议上，老...
Spatio-temporal_Graph_Convolutional_Neural_Network.pdf
03-31
Spatio-temporal Graph Convolutional Neural Network: A Deep Learning Framework for Traffic Forecasting Bing Yu
temporal network ARMA analysis
10-30
时变网络的时间序列分析方法，采用了自回归滑动平均模型，并采用卡拉曼滤波方法进行参数估计
Contextualized Spatio-Temporal Contrastive Learning with Self-S
01-02
Contextualized Spatio-Temporal Contrastive Learning with Self-Supervision_情境化时空对比学习与自我监控.pdf
深度学习长文｜使用 JAX 进行 AI 模型训练
冷冻工厂
06-13 382
实际上，考虑到 PyTorch 背后庞大的开发者社区，以及 PyTorch 所原生支持而 JAX/FLAX 尚未涵盖的众多特性（例如自动混合精度、先进的注意力机制层，至少在本文撰写时），有人可能会强烈主张没有必要投入时间去掌握 JAX。在本文中，我们将使用 Flax，据本文撰写时的观察，它似乎是最受欢迎的选择。值得注意的是，每个机器学习开发框架都可能拥有其独到的特性（例如，截至本文撰写时，JAX 的 SPMD 自动分片和 PyTorch 的 SDPA 注意力机制），这些特性可能在性能比较中起到关键作用。
Python学习从0开始——Kaggle深度学习002
最新发布
哈哈哈哈
06-14 648
与所有机器学习任务一样，我们从一组训练数据开始。训练数据中的每个示例都由一些特征(输入)和预期目标(输出)组成。训练网络意味着调整其权重，使其能够将特征转化为目标。例如，在80种谷物的数据集中，我们想要一个网络，它可以获取每种谷物的“糖”、“纤维”和“蛋白质”含量，并对该谷物的“卡路里”进行预测。如果我们可以成功地训练一个网络来做到这一点，它的权重必须以某种方式表示这些特征和训练数据中表达的目标之间的关系。除了训练数据，我们还需要两个东西：一个衡量网络预测好坏的“损失函数”。
神经网络 torch.nn---nn.RNN()
qq_45452617的博客
06-13 714
的shape应该是[batch_size, time_step, feature],输出也是这样。默认是 False，就是这样形式，(seq(num_step), batch, input_dim)，也就是将序列长度放在第一位，batch 放在第二位。x_t是上一层时刻t的隐状态，或者是第一层在时刻t的输入。weight_ih_l[k] – 第。weight_hh_l[k] – 第。bias_ih_l[k] – 第。bias_hh_l[k] – 第。偏置， 可学习，形状是。h_t是时刻t的隐状态。
深度学习简单概述
SQL__Learning的博客
06-09 877
理论上来说，参数越多的模型复杂度越高、容量越大，这意味着它能完成更复杂的学习任务。但复杂模型的训练效率低，易陷入过拟合。随着云计算、大数据时代的到来，计算能力的大幅提高可以缓解训练的低效性，训练数据的大幅增加可以降低过拟合风险。因此，以深度学习（Deep Learning，DL）为代表的复杂模型迎来关注。深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：（1）基于卷积运算的神经网络系统，即卷积神经网络（CNN）
NLP实战入门——文本分类任务（TextRNN，TextCNN，TextRNN_Att，TextRCNN，FastText，DPCNN，BERT，ERNIE）
a_blade_of_grass的博客
06-09 1922
本文参考自，是为了进行NLP的一些典型模型的总结和尝试。
高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-13 1049
高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测
Temporal Transformer Network
09-08
Temporal Transformer Network是一种基于Transformer机器的网络架构，用于处理时间序列数据。它考虑了交通的周期性，并使用时间编码将每个时间步的星期几和时间转换为one-hot编码。然后，这些编码被输入到全连接层中。该网络还学习了输入数据上时间随机游动的分布，以模拟动态系统。此外，Temporal Transformer Network还配备了一种上下文生成方案，用于对节点和边进行动态操作。这个网络的时间复杂度为O(T^2 N^2)，其中T代表时间步的数量，N代表节点的数量。

“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
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