De Bruijn 走进神经网：面向动态图时序数据的因果感知图神经网络
机器学习
2022-09-20 v1 人工智能
摘要
我们提出 De Bruijn 图神经网络（DBGNNs），一种用于动态图上时间分辨数据的新型时间感知图神经网络架构。我们的方法考虑了在动态图因果拓扑中展开的时间-拓扑模式，该拓扑由因果游走决定，即节点随时间相互影响的有时间顺序的连边序列。我们的架构构建于多层高阶 De Bruijn 图之上，这是一种迭代线图构造，其中 k 阶 De Bruijn 图中的节点表示长度为 k-1 的游走，而边表示长度为 k 的游走。我们开发了利用 De Bruijn 图实现遵循非马尔可夫动力学的消息传递方案的图神经网络架构，使我们能够学习动态图因果拓扑中的模式。针对可用不同阶数 k 的 De Bruijn 图建模同一数据集的问题，我们进一步应用统计模型选择来确定用于消息传递的最优图拓扑。在合成与实证数据集上的评估表明，DBGNNs 能够利用动态图中的时间模式，从而在监督节点分类任务中显著提升性能。
引用
@article{arxiv.2209.08311,
title = {De Bruijn goes Neural: Causality-Aware Graph Neural Networks for Time Series Data on Dynamic Graphs},
author = {Lisi Qarkaxhija and Vincenzo Perri and Ingo Scholtes},
journal= {arXiv preprint arXiv:2209.08311},
year = {2022}
}