ARMA提出了一种新颖的图神经网络(GNN)模型,旨在解决动态图预测中的问题。动态图是指随着时间推移,图中的节点和边关系会发生变化的情况。这种动态性带来了挑战,因为传统的静态图模型无法捕捉到图的演变过程。ARMA采用自适应递归矩阵完成技术,通过递归地预测动态图的演化过程,从而实现对动态图的预测。
主要贡献:
AutoGL 提出了一种图神经网络自动化设计的框架,旨在通过自动搜索和优化的方式,为给定的图数据集找到最优的图神经网络模型。具体来说,AutoGL 包括了三个主要组件:搜索空间定义、搜索算法和性能评估器。其中,搜索空间定义决定了候选模型的结构,搜索算法用于在搜索空间中寻找最优模型,性能评估器用于评估候选模型的性能。
主要贡献:
BiGG是一种基于双分图生成模型的大规模图数据填充方法,旨在通过学习潜在的数据生成过程,对图结构进行缺失边的恢复和节点特征的推断。
主要贡献:
BiGG主要贡献在于提出了一种基于双分图生成模型的大规模图数据填充方法,可以高效地恢复缺失边和推断节点特征。其还提出了一种两阶段的训练框架,能够处理规模庞大的图数据。
CT-Layer是一种新颖的图神经网络层,旨在捕捉图数据中的连续时间动态。传统的图神经网络主要专注于静态图,而CT-Layer则将连续时间的动态性融入了图神经网络的模型中,使其能够更好地应对时间变化。
CT-Layer的主要贡献:
ChebNet是一种基于Chebyshev多项式的图神经网络模型,旨在解决对图数据进行学习和预测的问题。ChebNet采用了空间域卷积的思想,通过构造邻接矩阵的Chebyshev多项式来进行图卷积操作,从而实现对图数据的特征抽取和表示。
ChebNet的核心思想是将图数据的特征分解为一系列Chebyshev多项式的线性组合,通过这种方式进行图卷积操作。具体来说,ChebNet首先对输入图数据进行正则化处理,然后通过递推关系计算Chebyshev多项式的级数,并将其应用于邻接矩阵。最后,使用卷积滤波器对特征进行聚合,得到节点的新表示。
论文的主要贡献: