.png){kind=icon}
返回
Augmentation-free dynamic graph contrastive learning based on transformers
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.129028.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 通过无增强的动态图对比学习避免数据降级。
• 动态调整Transformer的patch大小以捕捉多尺度时序特征。
• 通过最近邻交互频率优化选择正样本。
• 在端到端学习框架中优化节点表示和链接预测。
• 即使在噪声数据下也能实现优于当前最优方法的表现。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
A Spatial-Temporal Aggregated Graph Neural Network for Docked Bike-sharing Demand Forecasting基于时空聚合图神经网络的停靠共享单车需求预测
OAAI
OAAI分享收藏Joint multi-label learning and feature extraction for temporal link prediction面向时序链路预测的联合多标签学习和特征提取.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏MTdyg: Multi-scale transformers with continuous time dynamic graph model for link predictionMTdyg: 具有连续时间动态图模型的多尺度变换器，用于链路预测
PREAI
分享收藏分享收藏A deep contrastive framework for unsupervised temporal link prediction in dynamic networks一种用于动态网络中无监督时序链接预测的深度对比框架
PREAI
分享收藏
查看更多内容