如何通过归纳表示学习在时间图上进行高效的时间序列数据建模与预测？
- 内容介绍
- 文章标签
- 相关推荐
本文共计6497个文字，预计阅读时间需要26分钟。
《基于时间图的归纳表示学习：一种有效的节点特征聚合方法》链接：https://arxiv.org/abs/2002.07962本文提出了一种时间图注意力层（TGAT），有效地聚合时间图中的节点特征。通过学习时间序列特征和节点之间的交互作用，TGAT能够捕捉时间图中的动态模式和节点间的时序依赖。这种方法在时间图数据上表现出色，为时间序列分析提供了新的视角。
12 Inductive Representation Learning on Temporal Graphslink:arxiv.org/abs/2002.07962
本文提出了时间图注意(TGAT)层，以有效地聚合时间-拓扑邻域特征，并学习时间-特征之间的相互作用。对于TGAT，本文采用自注意机制作为构建模块，并基于调和分析中的经典Bochner定理（又是没见过的定理QAQ）发展了一种新的函数时间编码技术。
Conclusion本文提出了一种新颖的时间感知图注意网络，用于时间图上的归纳表示学习。采用自我注意机制来处理连续时间，提出了一种理论基础上的函数时间编码。未来作者往自注意力机制的可解释性和模型的可视化进行工作
Figure and table图1 时序图几个复杂情况的可视化。A) 时序图和其快照生成过程，可以看见在快照中的静态图只能反映时序信息的一部分 B) 时间图投影到独立于时间的二维平面时的最终状态。除了时间信息缺失之外，还会出现多边情况。C) 在预测t3时刻节点A和C之间的链路时，消息传递路径应受时间约束。实线给出了适当的方向，虚线违反了时间限制。
本文共计6497个文字，预计阅读时间需要26分钟。
《基于时间图的归纳表示学习：一种有效的节点特征聚合方法》链接：https://arxiv.org/abs/2002.07962本文提出了一种时间图注意力层（TGAT），有效地聚合时间图中的节点特征。通过学习时间序列特征和节点之间的交互作用，TGAT能够捕捉时间图中的动态模式和节点间的时序依赖。这种方法在时间图数据上表现出色，为时间序列分析提供了新的视角。
12 Inductive Representation Learning on Temporal Graphslink:arxiv.org/abs/2002.07962
本文提出了时间图注意(TGAT)层，以有效地聚合时间-拓扑邻域特征，并学习时间-特征之间的相互作用。对于TGAT，本文采用自注意机制作为构建模块，并基于调和分析中的经典Bochner定理（又是没见过的定理QAQ）发展了一种新的函数时间编码技术。
Conclusion本文提出了一种新颖的时间感知图注意网络，用于时间图上的归纳表示学习。采用自我注意机制来处理连续时间，提出了一种理论基础上的函数时间编码。未来作者往自注意力机制的可解释性和模型的可视化进行工作
Figure and table图1 时序图几个复杂情况的可视化。A) 时序图和其快照生成过程，可以看见在快照中的静态图只能反映时序信息的一部分 B) 时间图投影到独立于时间的二维平面时的最终状态。除了时间信息缺失之外，还会出现多边情况。C) 在预测t3时刻节点A和C之间的链路时，消息传递路径应受时间约束。实线给出了适当的方向，虚线违反了时间限制。