.png){kind=icon}
返回
Dynamic graph neural network with historic-sequential information representation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112234.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当今互联互通的世界中，网络（无论是社会网络、技术网络还是生物网络）都在不断演变，其关系随时间形成、转变和消解。传统模型难以捕捉这种流动性，将网络视为静态快照而非动态系统。虽然现有研究在分别分析时空模式或时间序列方面取得了进展，但这些方法在可扩展性方面往往存在不足，且未能统一离散时间与连续时间视角。为弥合这一差距，我们提出DyGHS（动态图历史-序列）框架，该创新框架利用动态图神经网络来模拟节点、边及其历史交互如何协同演变。通过无缝整合离散时间与连续时间图表示，DyGHS不仅能捕捉真实网络的丰富性，还能高效预测未来连接和节点行为。实验表明，将连续时间傅里叶变换（CTFT）与图神经网络结合可显著提升预测精度，在链接预测和节点分类等任务上优于当前方法。这一进展为理解和预测网络系统的持续变化开辟了新途径。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
暂无论文信息