摘要:
图神经网络(GNNs)最近变得越来越受欢迎,因为它们能够学习复杂的关系系统,这些关系产生于从生物学和粒子物理学到社会网络和推荐系统的广泛问题。尽管在图上进行深度学习的不同模型太多了,但迄今为止,很少有人提出方法来处理呈现某种动态性质的图(例如,随着时间的推移而进化的特征或连通性)。在本文中,作者提出了时序图网络(TGNs),一个通用的,有效的框架,用于深度学习动态图表示为时间事件序列。在内存模块和基于图的操作符中,TGNs能够显著优于以前的方法,同时计算效率也更高。作者进一步表明,以前的几个学习动态图的模型可以转换为TGN框架的具体实例。他们对TGN框架的不同组件进行了详细的消融研究,并设计了最佳配置,在动态图的几个转导和归纳预测任务上实现了最先进的性能。
讨论的问题:
结论