用于动态图预测的连续深度神经模型
机器学习
2021-06-23 v1 人工智能
机器学习
摘要
我们引入了连续深度图神经网络(GNN)的框架。神经图微分方程(Neural GDE)被形式化为GNN的对应物,其中输入-输出关系由连续统的GNN层决定,融合了离散拓扑结构和微分方程。所提出的框架被证明与静态GNN模型兼容,并通过混合动力系统理论扩展到动态和随机设置。在此,神经GDE通过利用底层动力学几何来提高性能,进一步引入了适应不规则采样数据的能力。结果证明了所提模型在交通预测或基因调控网络预测等应用中的有效性。
引用
@article{arxiv.2106.11581,
title = {Continuous-Depth Neural Models for Dynamic Graph Prediction},
author = {Michael Poli and Stefano Massaroli and Clayton M. Rabideau and Junyoung Park and Atsushi Yamashita and Hajime Asama and Jinkyoo Park},
journal= {arXiv preprint arXiv:2106.11581},
year = {2021}
}
备注
Extended version of the workshop paper "Graph Neural Ordinary Differential Equations". arXiv admin note: substantial text overlap with arXiv:1911.07532