动态图上不同时间图神经网络配置的对比分析
机器学习
2023-05-03 v1 人工智能
社会与信息网络
摘要
近年来，利用图神经网络（GNNs）分析动态图（即随时间演化的图）的兴趣日益增长。然而，对于不同时间图神经网络（TGNs）配置如何影响动态图预测准确性的理解仍然不足。此外，针对这些 TGNs 模型的基准数据集的寻找仍在进行中。直到最近，Pytorch Geometric Temporal 提出了一些基准数据集，但其中大多数尚未使用不同的 TGN 模型进行分析以确立当前最优（SOTA）水平。因此，本项目旨在通过定性分析动态图上的时空依赖结构学习，以及对比研究所选 TGNs 在节点和边预测任务上的有效性，来弥补文献中的这一空白。此外，将对性能最佳的 TGN 的不同变体进行广泛的消融研究，以识别影响其性能的关键因素。通过实现这些目标，本项目将为动态图分析的 TGNs 设计与优化提供有价值的见解，在疾病传播预测、社交网络分析、交通预测等领域具有潜在应用。此外，尝试将基于快照的数据转换为基于事件的数据集，并使其与名为 TGN 的 SOTA 模型兼容以执行节点回归任务。
引用
@article{arxiv.2305.01128,
title = {Analysis of different temporal graph neural network configurations on dynamic graphs},
author = {Rishu Verma and Ashmita Bhattacharya and Sai Naveen Katla},
journal= {arXiv preprint arXiv:2305.01128},
year = {2023}
}