EvolveGCN: Эволюционирующие графовые сверточные сети для динамических графов
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
2020-04-03
SCID: 54.1/utj7fsw2
Discuss with AI
EvolveGCNдинамические графыграфовые сверточные сетипредсказание связейвременное обучение представлений графов
Figures from the paper
Abstract (AI)
Обучение представлений графов вновь стало актуальным направлением исследований благодаря широкому применению глубокого обучения к евклидовым данным, что стимулировало разработку различных оригинальных архитектур нейронных сетей в неевклидовом пространстве, в частности для графов. После успешного применения графовых нейронных сетей (GNN) в статических условиях мы рассматриваем практические сценарии, в которых графы динамически изменяются. Существующие подходы обычно используют вложения узлов и рекуррентную нейронную сеть (RNN, в широком смысле) для регулирования этих вложений и обучения временной динамике. Такие методы требуют знания об узле на протяжении всего временного интервала, включая этапы обучения и тестирования, и хуже применимы при частом изменении множества узлов. В некоторых предельных сценариях множества узлов на разных временных шагах могут полностью различаться. Для решения этой задачи мы предлагаем EvolveGCN — модель, адаптирующую графовую сверточную сеть (GCN) во временном измерении без использования вложений узлов. Предлагаемый подход отражает динамику последовательности графов, используя RNN для эволюции параметров GCN. Для эволюции параметров рассматриваются две архитектуры. Мы оцениваем предложенный подход на задачах, включающих предсказание связей, классификацию ребер и классификацию узлов. Экспериментальные результаты в целом показывают, что EvolveGCN превосходит родственные подходы. Код доступен по адресу: https://github.com/IBM/EvolveGCN.
Key Findings
1
RNN улавливает временную динамику графа, обновляя параметры GCN и обеспечивая адаптацию к изменяющейся структуре графа.
2
EvolveGCN моделирует динамические графы, эволюционируя параметры GCN во времени вместо использования постоянных вложений узлов.
3
Эксперименты по предсказанию связей, классификации рёбер и классификации узлов показали в целом более высокую производительность по сравнению с родственными методами.
4
Метод не требует знания идентичности узлов на протяжении всего периода обучения и тестирования, что позволяет работать с часто меняющимися или полностью различающимися наборами узлов.
5
Предложены две архитектуры для эволюции параметров GCN во временном измерении.
Research Object
последовательности динамических графов
Research Subject
временная эволюция параметров графовой сверточной сети для обучения представлений графов без использования вложений узлов
Publication Details
Publication Date
2020-04-03
Journal
Publisher
ISSN
Cited by
158
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Нейронная передача сообщений для квантовой химии2017
Целевой выбор ветвления для задачи максимального независимого множества с использованием графовых нейронных сетей2024
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Работы, цитирующие эту статью7
Графовые нейронные сети: обзор методов и приложений2020
Графовые нейронные сети: обзор методов и приложений2018
Основы и моделирование динамических сетей с использованием динамических графовых нейронных сетей: обзор2021
Вычисления для графовых нейронных сетей: обзор от алгоритмов до ускорителей2021
TokenScout: раннее обнаружение мошеннических токенов Ethereum с помощью обучения на временных графах2024
Контрастивное обучение на временном гетерогенном графе для обнаружения мошенничества в операциях по кредитным картам2025
Графовые нейронные сети для моделирования сложных зависимостей в глобальных сетях цепочек поставок2026