tBDFS：利用 DFS 的时序图神经网络
机器学习
2022-06-14 v1
摘要
时序图神经网络（temporal GNNs）已被广泛研究，在多项预测任务上达到最先进结果。大多数先前工作采用的一种常见方法是应用一个从节点的历史邻居聚合信息的层。本文采取不同研究方向，提出 tBDFS——一种新颖的时序 GNN 架构。tBDFS 应用一个从时序路径高效聚合信息到给定（目标）节点的层。对每个给定节点，聚合分两阶段进行：（1）为该节点终止的每条时序路径学习单一表示；（2）将所有路径表示聚合成最终节点表示。总体而言，我们的目标不是向节点添加新信息，而是以新视角观察完全相同的信息。这使我们的模型能直接观察面向路径而非面向邻域的模式。这可视为在时序图上的深度优先搜索（DFS）遍历，相较于先前工作中流行的广度优先搜索（BFS）遍历。我们在多个链接预测任务上评估 tBDFS，并展示其相较最先进基线的优越性能。据我们所知，我们是首个应用时序 DFS 神经网络的工作。
引用
@article{arxiv.2206.05692,
title = {tBDFS: Temporal Graph Neural Network Leveraging DFS},
author = {Uriel Singer and Haggai Roitman and Ido Guy and Kira Radinsky},
journal= {arXiv preprint arXiv:2206.05692},
year = {2022}
}
备注
9 pages, 2 figures, 2 tables