GCN-GAN：一种用于加权动态网络的非线性时序链接预测模型
社会与信息网络
2019-01-29 v1 机器学习
网络与互联网体系结构
摘要
在本文中，我们将多种网络系统（如移动性、交通与拓扑的预测）的动力学预测问题一般化为时序链接预测任务。不同于忽略动态网络中潜在非线性特征与信息丰富的链接权重的传统时序链接预测技术，我们引入了一种新颖的非线性模型GCN-GAN来处理加权动态网络这一具挑战性的时序链接预测任务。所提模型利用了图卷积网络(GCN)、长短期记忆(LSTM)以及生成对抗网络(GAN)的优势。因此，加权动态网络的动力学、拓扑结构与演化模式可被充分挖掘以提升时序链接预测性能。具体而言，我们首先利用GCN探索每个单一快照的局部拓扑特征，随后采用LSTM刻画动态网络的演化特征。此外，GAN用于增强模型生成下一加权网络快照的能力，可有效解决现实动态网络中边权重的稀疏与宽值范围问题。为验证模型有效性，我们在四个不同网络系统与应用场景的数据集上进行了充分实验。实验结果表明，与最先进的竞争对手相比，我们的模型取得了令人印象深刻的成果。
引用
@article{arxiv.1901.09165,
title = {GCN-GAN: A Non-linear Temporal Link Prediction Model for Weighted Dynamic Networks},
author = {Kai Lei and Meng Qin and Bo Bai and Gong Zhang and Min Yang},
journal= {arXiv preprint arXiv:1901.09165},
year = {2019}
}
备注
to appear in IEEE Infocom 2019