这篇关于数据驱动的图生成模型用于时间交互网络的论文，能否介绍其具体应用场景和优势？
- 内容介绍
- 文章标签
- 相关推荐
本文共计6274个文字，预计阅读时间需要26分钟。
《基于数据的交互网络图生成模型：13篇研究综述》链接：https://scholar.google.com.sg/scholar_url?url=https%3A%2F%2Fpar.nsf.gov%2Fservlets%2Fpurl%2F10272483hl%3Dzh-TWsa%3DXei%3DHCmOYrzrJ8nFywSFg47QCwscisig%3DAAGBfm08x5PFAPPWh_nl6CoUzkqZB
13 A Data-Driven Graph Generative Model for Temporal Interaction Networkslink:scholar.google.com.sg/scholar_url?url=par.nsf.gov/servlets/purl/10272483&hl=zh-TW&sa=X&ei=HCmOYrzrJ8nFywSFg47QCw&scisig=AAGBfm08x5PFAPPWh_nl6CoUzkqZBeJ3pg&oi=scholarr
Abstract本文提出了一个名为TagGen的端到端深度生成框架。通过一种新的采样策略，用于结合从时间网络中提取的结构和时间上下文信息。在此基础上，TagGen参数化了一个双级自注意力层以及一系列局部操作，以生成临时随机游走。最后，判别器选择在输入数据中可信的生成的时间随机游走，并将其输入到组装模块中生成时间网络。在7个真实数据集上的实验结果表明
(1)TagGen在时间交互网络生成问题上优于所有基线
(2)TagGen显著提高了预测模型在异常检测和链路预测任务中的性能。
本文共计6274个文字，预计阅读时间需要26分钟。
《基于数据的交互网络图生成模型：13篇研究综述》链接：https://scholar.google.com.sg/scholar_url?url=https%3A%2F%2Fpar.nsf.gov%2Fservlets%2Fpurl%2F10272483hl%3Dzh-TWsa%3DXei%3DHCmOYrzrJ8nFywSFg47QCwscisig%3DAAGBfm08x5PFAPPWh_nl6CoUzkqZB
13 A Data-Driven Graph Generative Model for Temporal Interaction Networkslink:scholar.google.com.sg/scholar_url?url=par.nsf.gov/servlets/purl/10272483&hl=zh-TW&sa=X&ei=HCmOYrzrJ8nFywSFg47QCw&scisig=AAGBfm08x5PFAPPWh_nl6CoUzkqZBeJ3pg&oi=scholarr
Abstract本文提出了一个名为TagGen的端到端深度生成框架。通过一种新的采样策略，用于结合从时间网络中提取的结构和时间上下文信息。在此基础上，TagGen参数化了一个双级自注意力层以及一系列局部操作，以生成临时随机游走。最后，判别器选择在输入数据中可信的生成的时间随机游走，并将其输入到组装模块中生成时间网络。在7个真实数据集上的实验结果表明
(1)TagGen在时间交互网络生成问题上优于所有基线
(2)TagGen显著提高了预测模型在异常检测和链路预测任务中的性能。