时序演化图中路径失效的预测
机器学习
2019-05-22 v2 机器学习
摘要
本文使用时序演化图（由随时间变化的图快照序列构成）来建模许多真实网络。我们研究时序演化图中的路径分类问题，该问题在真实场景中有诸多应用，例如预测电信网络中的路径失效以及预测交通网络在不久的将来的路径拥堵。为捕捉时间依赖与图结构动态，我们设计了一种名为长短期记忆 R-GCN（LRGCN）的新型深度神经网络。LRGCN 将时间相邻图快照间的时间依赖视为一种带记忆的特殊关系，并使用关系 GCN 联合处理时间内与跨时间关系。我们还提出了一种名为自注意力路径嵌入（SAPE）的新路径表示方法，将任意长度路径嵌入为定长向量。通过在真实电信网络与加州交通网络上的实验，我们证明了 LRGCN 在路径失效预测上相对于其他竞争方法的优越性，并验证了 SAPE 在路径表示上的有效性。
引用
@article{arxiv.1905.03994,
title = {Predicting Path Failure In Time-Evolving Graphs},
author = {Jia Li and Zhichao Han and Hong Cheng and Jiao Su and Pengyun Wang and Jianfeng Zhang and Lujia Pan},
journal= {arXiv preprint arXiv:1905.03994},
year = {2019}
}
备注
Accepted by KDD2019 Research track (oral presentation)