时序图和传统的静态图相比，引入的时间序列信息如何利用和建模给深入研究时序图带来的机遇与挑战。
 
 


1.【arXiv2020】Temporal Graph Networks for Deep Learning on Dynamic Graphs


地址：https://arxiv.org/abs/2006.10637
代码：https://github.com/twitter-research/tgn
 
导读：文章来自Twitter团队，是比较经典的一个动态图神经网络的工作。文章提出了时间图网络(TGN)
框架，用于对表示为定时事件序列的动态图进行表示学习。其设计了包括Memroy模块和图消息传播模块，表明TGN能够显着优于以前的方法，同时计算效率更高。实验进一步表明，以前用于动态图学习的几个模型可以作为TGN框架的特定实例。 在对框架的不同组件进行了详细的消融研究后，设计了最佳配置，以在动态图的多个转导和归纳预测任务上实现最先进的性能。




2.【CIKM2021】odeN: Simultaneous Approximation of Multiple Motif Counts in Large Temporal Networks

地址：https://arxiv.org/abs/2108.08734

导读：时序图通常包含一些有价值的子图，对于这些子图的挖掘和分析一方面能够给模型代理更多的可解释性，另外一方面也对于深入理解数据背后的模式有较大的帮助。在本文中，虽然没有使用图神经网络，但是计数大规模动态图中的有价值时序模体是一个重要的研究问题。
在时序图中，一些小的联通子图的动态共现情况是 时序模体（temporal motifs），已经成为了分析时序网络的基本原语。研究时序模体主要的挑战小的连边和节点数量也可以构造大量的时序模体。因此，许多应用使用模体进行探索性分析，需要反复选择和分析网络不同方面的几个代表时序模体，导致分析过程十分的低效、耗时。
在这项工作中，文章研究了同时计算多个时序模体的出现次数的问题，对应于相同的（静态）拓扑（例如，三角形）。
文章提出了 odeN，这是一种基于采样的算法，可提供模体计数的准确近似值。文章给出了odeN 计算相对近似值所需的样本数量的分析界限。广泛的实验评估表明，odeN 能够在最先进方法所需的一小部分时间内逼近时序网络中的时序模体计数，并且它还报告了比此类方法更准确的逼近。



3.【arxiv2021】Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting

 

地址：https://arxiv.org/abs/2110.10380
导读：交通预测是一个具有挑战性的时序网络问题。过去的方法已经提出了许多模型来解决这个具有挑战性的问题，重点是学习道路的时空依赖性。本文提出了将预测问题转换为模式匹配任务的新视角，假设大的数据可以由一组模式所表示。
为了评估新视角的有效性，本文设计了一种新的流量预测模型，称为模式匹配记忆网络 (PM-MemNet)，该模型学习将输入数据与具有键值记忆结构的模式进行匹配。文章首先提取和聚类代表性的流量模式，作为内存中的关键。然后通过匹配提取的键和输入，PM-MemNet 从内存中获取现有流量模式的必要信息，并将其用于预测。为了模拟交通的时空相关性，本文提出了新的内存架构 GCMem，它集成了注意力和图卷积以增强内存。实验结果表明，PM-MemNet 比最先进的模型更准确t。本文还提供了一个定性分析结果，描述了 PM-MemNet 如何在道路速度快速变化时工作并实现其更高的准确性。


4.【Github】 https://github.com/jwwthu/GNN4Traffic


该github收录了图神经网络应用于交通的相关论文和文献资料。值得关注

内容中包含的图片若涉及版权问题，请及时与我们联系删除