论文中如何应用长尾策略优化Streaming Graph Neural Networks？
- 内容介绍
- 文章标签
- 相关推荐
本文共计5766个文字，预计阅读时间需要24分钟。
3+流式图神经网络链接：https://dl.acm.org/doi/10.1145/3397271.3401092+摘要介绍了新型的动态图神经网络模型DGNN，该模型能随图的演化动态地构建动态信息模型。特别地，该框架可以‘随时间动态地更新模型’。
3 Streaming Graph Neural Networkslink：dl.acm.org/doi/10.1145/3397271.3401092
Abstract本文提出了一种新的动态图神经网络模型DGNN，它可以随着图的演化对动态信息进行建模。特别是，该框架可以通过捕获：
1、边的序列信息，
2、边之间的时间间隔，
3、信息传播耦合性
来不断更新节点信息。
Conclusion在本文中，提出了一种用于动态图的新图神经网络架构DGNN。该架构有两个组件构成：更新组件和传播组件。引入新边时，更新组件可以通过捕获边的创建顺序信息和交互之间的时间间隔来保持节点信息的更新（即摘要中的1,2）。传播组件通过考虑影响强度，将新的交互信息传播到受影响节点。作何以链接预测和节点分类为例来说明如何利用DGCN来推进图挖掘任务。在三个真实的动态图上进行了实验，链路预测和节点分类方面的实验结果表明了动态信息的重要性，以及所提出的更新和传播组件在捕获动态信息方面的有效性。
接着说想要对个模型提供一些关于选择邻居作为受影响的节点集的理论分析，并研究其他方法，如图挖掘任务等
Figure and table图1：DGNN的总览图。当有新边\(t_7\)加进来，\(t_7\)边的两个节点为\(（v2,v5）\)，更新组件将\(v2\)的最新边t3和\(v5\)的最新边t6做输入。
本文共计5766个文字，预计阅读时间需要24分钟。
3+流式图神经网络链接：https://dl.acm.org/doi/10.1145/3397271.3401092+摘要介绍了新型的动态图神经网络模型DGNN，该模型能随图的演化动态地构建动态信息模型。特别地，该框架可以‘随时间动态地更新模型’。
3 Streaming Graph Neural Networkslink：dl.acm.org/doi/10.1145/3397271.3401092
Abstract本文提出了一种新的动态图神经网络模型DGNN，它可以随着图的演化对动态信息进行建模。特别是，该框架可以通过捕获：
1、边的序列信息，
2、边之间的时间间隔，
3、信息传播耦合性
来不断更新节点信息。
Conclusion在本文中，提出了一种用于动态图的新图神经网络架构DGNN。该架构有两个组件构成：更新组件和传播组件。引入新边时，更新组件可以通过捕获边的创建顺序信息和交互之间的时间间隔来保持节点信息的更新（即摘要中的1,2）。传播组件通过考虑影响强度，将新的交互信息传播到受影响节点。作何以链接预测和节点分类为例来说明如何利用DGCN来推进图挖掘任务。在三个真实的动态图上进行了实验，链路预测和节点分类方面的实验结果表明了动态信息的重要性，以及所提出的更新和传播组件在捕获动态信息方面的有效性。
接着说想要对个模型提供一些关于选择邻居作为受影响的节点集的理论分析，并研究其他方法，如图挖掘任务等
Figure and table图1：DGNN的总览图。当有新边\(t_7\)加进来，\(t_7\)边的两个节点为\(（v2,v5）\)，更新组件将\(v2\)的最新边t3和\(v5\)的最新边t6做输入。