Dynamic Hypergraph Convolutional Network

Dynamic Hypergraph Convolutional Network

超图卷积网络(Hypergraph Convolutional Network, HCN)已经成为捕获高阶关系的合适选择。现有的HCN方法是针对静态超图定制的，不适用于现实场景中的动态演化。该文探索了一种基于注意力机制的动态HCN (DyHCN)用于时间序列预测。它不仅有效地利用了动态超图中的空间和时间关系，而且通过全局和局部嵌入不断地聚合时变超图的时间演化线索。具体而言，这些优点可以归结为:1)动态超图构建(dynamic hypergraph construction, DHC)捕捉了历史上下文内容的特征，为动态超图的构建提供了指导;2)时空超图卷积模块(spatiotemporal hypergraph convolution module, STHC)负责提取节点和超边之间的时空关系，3)协同预测模块(collaborative prediction module, CP)负责整体的时变超图嵌入聚合。这些模块努力从节点、超边和超图中很好地学习特征嵌入，为下游任务产生信息表示。在Tiingo、Stocktwits和NYC-Taxi三个数据集上的实验结果表明，DyHCN取得了比现有同类算法更好的性能，并且STHC和CP模块在建模超图动态演化特性方面发挥了关键作用。

一研究内容

本文研究了动态超图学习及其相应的时间序列预测任务，利用多关系数据中的空间和时间相关性。

 

1)如何利用动态超边中的各种先验关系有效地传播多个特征，在每个超图中进行表示学习? 

2)在时间序列预测任务中聚合序列表示时，如何连续地对长期相关性进行建模?

在动态超图中，我们将面临大量新节点涌现、旧节点消失的复杂情况。如图1所示，随着超图的演化，超边e3和e4在时间步长t + 1出现，超边e1和e2消失。同样，在时间步T，新的超边em和en出现，其余的消失。由于超图进化的多样性，我们需要一种机制来全面聚合序列表示以进行预测。

 

 

 

 

 

 

 框架