.png){kind=icon}
返回
Semi-Implicit Temporal Variational Graph Autoencoder for Dynamic Graph Generation
.png){kind=icon}
PRE
AI
DOI：10.34133/icomputing.0293.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图模拟已作为一种实用途径，用于发布真实且隐私保护的网絡数据，尤其适用于通过节点和边到达而演化的时序图。然而，现有方法依赖时序随机游走，引入采样偏差且在规模上成本过高，并采用高斯变分先验，无法捕捉真实系统的重尾动态。我们提出一种半隐式时序变分图自编码器（SIT-VGAE）用于高保真时序图生成。SIT-VGAE采样局部自体图，并通过增强可学习时间嵌入的时序图注意力网络（TGAT）进行编码，无需随机游走预处理即可捕捉结构和时序依赖。为克服约束性先验，我们采用半隐式变分推断，其中神经混合器定义一个表达性强、可重参数化的后验族，能更好地拟合非高斯动态。轻量级解码器将隐码映射到带时间戳的边分布，其组装的快照形成生成的时序图。模型通过最大化耦合边似然与Kullback-Leibler正则项的变分下界进行训练。在多个真实时序图数据集上，SIT-VGAE在结构统计方面实现更优模拟保真度，同时相比基于随机游走和高斯先验的基线方法，减少了训练和生成时间。该框架通过TGAT编码和平均推断扩展至大图，为真实时序网络合成提供了一种实用、高效且表达性强的解决方案。
Keyword:
Temporal graph generation
Graph simulation
Variational inference
Graph attention network
Semi-implicit inference
期刊
I
IF:
3.7
论文数:
13
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容