1、【IJCAI 2021】Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural Networks
论文地址：https://www.ijcai.org/proceedings/2021/0381.pdf
论文解读：https://mp.weixin.qq.com/s/wivGEQR_dsNSldnA83aDOg
导读：图表示学习在许多领域取得了巨大的成功，包括电子商务、化学、生物学等。然而，为给定的图选择合适的节点嵌入维度的基本问题仍未解决。基于网格搜索或经验知识的节点嵌入维度选择 (NEDS) 的常用策略存在计算量大和模型性能差的问题。在本文中，作者从最小熵原理的角度重新审视 NEDS。随后，提出了一种基于最小图熵 (MinGE) 的算法去找最优嵌入维度。具体来说，MinGE 考虑了图上的特征熵和结构熵。特征熵假设相邻节点的嵌入相似。结构熵以归一化的度为基本单位，进一步衡量图的高阶结构。

2 【CIKM2021】Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic
地址：https://arxiv.org/abs/2108.08307
代码：https://github.com/cylin-cmlab/cikm21-mpgat 
导读：文章通过从一家电信公司每天超过 20 亿条记录中提取的室外蜂窝流量来收集大规模交通数据，因为用户移动的室外蜂窝流量与交通流量高度相关。文章研究了城市中的道路交叉口，旨在根据历史室外蜂窝交通预测所有交叉路口的未来蜂窝交通。此外，文章提出了一种用于多元时空预测的图注意力网络（GAT）新模型。实验表明，所提出的模型在新的数据集上明显优于SOTA的方法。

 

 

编辑人：吕腾飞，伊新铜

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