动态图中属性与结构的协同演化学习
机器学习
2020-07-28 v1 机器学习
摘要
大多数图神经网络模型在静态属性图中学习节点嵌入以进行预测分析。近期已有尝试学习节点的时间邻近性。我们发现真实动态属性图表现出节点属性与图结构的复杂协同演化。学习用于预测节点属性变化及链接随时间的产生与消失的节点嵌入仍是一个开放问题。本工作中，我们提出一种称为 CoEvoGNN 的新框架，用于建模动态属性图序列。它通过序列上的嵌入生成来保留早期图对当前图的影响。它具有时间自注意力机制以建模演化中的长程依赖。此外，CoEvoGNN 在两个动态任务（属性推断与随时间的链接预测）上联合优化模型参数。因此该模型能捕捉属性变化与链接形成的协同演化模式。该框架可适配任意图神经算法，因此我们基于它实现并研究了三种方法：CoEvoGCN、CoEvoGAT 和 CoEvoSAGE。实验表明，该框架（及其方法）在预测动态社交图与金融图中完整的未见图快照（个人属性与人际链接）上优于强基线。
引用
@article{arxiv.2007.13004,
title = {Learning Attribute-Structure Co-Evolutions in Dynamic Graphs},
author = {Daheng Wang and Zhihan Zhang and Yihong Ma and Tong Zhao and Tianwen Jiang and Nitesh V. Chawla and Meng Jiang},
journal= {arXiv preprint arXiv:2007.13004},
year = {2020}
}