Time-Aware Random Walk Diffusion to Improve Dynamic Graph Learning

doi:10.1609/aaai.v37i7.26021

Time-Aware Random Walk Diffusion to Improve Dynamic Graph Learning

2023-06-26

0

OA

AI

DOI：10.1609/aaai.v37i7.26021

原文链接

原文求助

摘要

En 中文

如何增强动态图以提升动态图神经网络（GNN）的性能？图增强已被广泛用于提升基于GNN的模型的学习性能。然而，现有的大多数方法仅通过转换图来增强输入静态图中的空间结构，并未考虑由时间引起的动态性，例如时间局部性，即近期边比早期边更具影响力，这为动态图增强带来了挑战。在本工作中，我们提出了TiaRa（Time-aware Random Walk Diffusion，时间感知随机游走扩散），一种基于扩散的新型方法，用于增强被表示为离散时间序列图快照的动态图。为此，我们首先设计了一种时间感知随机游走邻近度，使游走者能够沿着时间维度以及边进行游走，从而产生空间和时间局部化的分数。然后，我们基于时间感知随机游走推导出扩散矩阵，并证明它们成为增强的邻接矩阵，其中空间和时间局部性均得到增强。通过广泛的实验，我们证明了TiaRa能够有效增强给定的动态图，并在各种图数据集和任务中显著提升了动态GNN模型的性能。

Time-Aware Random Walk Diffusion to Improve Dynamic Graph Learning

摘要

期刊

机构

引用论文