利用时间感知图神经网络预测动态图中的时间中心性
机器学习
2024-11-11 v2 社会与信息网络
摘要
节点中心性在网络科学、社交网络分析和推荐系统中起着关键作用。在时间数据中，基于静态路径的中心性（如紧密中心性或介数中心性）可能就节点在时间图中的真实重要性给出误导性结果。为解决此问题，已定义了基于节点对之间最短时间遵从路径的介数与紧密中心性的时间推广。然而，这些推广的一个主要问题是此类路径的计算代价高昂。针对该问题，我们研究应用 De Bruijn 图神经网络（DBGNN，一种时间感知图神经网络架构）来预测时间序列数据中的时间路径中心性。我们在来自生物与社交系统的 13 个时间图上对方法进行实验评估，结果表明与以下方法相比，其显著改进了介数与紧密中心性的预测：（i）静态图卷积神经网络，（ii）一种用于时间介数的高效基于采样的近似技术，以及（iii）两种最先进的时间感知动态图学习技术。
引用
@article{arxiv.2310.15865,
title = {Using Time-Aware Graph Neural Networks to Predict Temporal Centralities in Dynamic Graphs},
author = {Franziska Heeg and Ingo Scholtes},
journal= {arXiv preprint arXiv:2310.15865},
year = {2024}
}
备注
Accepted at NeurIPS 2024