.png){kind=icon}
返回
FuDGE: Modeling full dynamic graph evolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s10844-026-01040-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对动态网络的神经生成模型研究不断演变，已有复杂方案被用于刻画时序图的长期演化。尽管文献中已付出诸多努力，但现有最先进模型在处理图结构变化时依赖先验知识，从而损害了模型的灵活性。本文提出了一种图规模不变的图概率生成模型FUDGE（全动态图演化），用于通过分步图结构变化预测图演化。FUDGE能通过探索整个节点空间生成演化图，从而确保快速有效的生成。我们在真实和合成基准数据集上评估了FUDGE，并将其性能与现有最先进方法进行了比较。结果表明，相较于现有文献，我们的方法在生成和预测质量方面具有竞争优势。代码可在https://github.com/FuDGE2023/fudge获取。
Keyword:
Graph generation
Graph convolutional network
Temporal graph
Deep learning
Graph evolution
期刊
J
IF:
3.4
论文数:
78
被引数:
0
机构
引用论文
Long-Term Airport Network Performance Forecasting With Linear Diffusion Graph Networks基于线性扩散图网络的机场网络长期性能预测
PREAI
分享收藏A traffic flow forecasting model based on dynamic graph learning and temporally adaptive attention基于动态图学习和时序自适应注意力机制的交通流量预测模型.png)
Safety Science
Safety ScienceIF5.4
PREAI
分享收藏Dynamic Graph Convolutional Recurrent Network With Temporal Self-Attention for Accurate Traffic Flow Prediction基于时序自注意力机制的动态图卷积循环网络用于准确交通流量预测
OAAI
OAAI分享收藏
查看更多内容