用于改进动态图学习的时间感知随机游走扩散
机器学习
2023-02-15 v5
摘要
我们如何增强动态图以提升动态图神经网络的性能? 图增强已被广泛用来提升基于 GNN 模型的的学习性能。然而, 大多数现有方法仅通过变换图来增强输入静态图中的空间结构, 并未考虑由时间引起的动态性(如时间局部性, 即近期边比早期边更具影响力), 这对动态图增强而言仍具挑战性。在本工作中, 我们提出 TiaRa(时间感知随机游走扩散), 一种基于扩散的新颖方法, 用于增强以离散时间图快照序列表示的动态图。为此, 我们首先设计了一种时间感知随机游走邻近度, 使得游走者能够沿时间维度及边进行游走, 从而产生空间与时间局部化的分数。随后我们基于该时间感知随机游走导出扩散矩阵, 并证明它们成为同时增强了空间与时间局部性的邻接矩阵。通过大量实验, 我们证明 TiaRa 能有效增强给定的动态图, 并在多种图数据集与任务上使动态 GNN 模型获得显著提升。
引用
@article{arxiv.2211.01214,
title = {Time-aware Random Walk Diffusion to Improve Dynamic Graph Learning},
author = {Jong-whi Lee and Jinhong Jung},
journal= {arXiv preprint arXiv:2211.01214},
year = {2023}
}
备注
Accepted to AAAI 2023