我应该在什么时间与谁交往? 一个缺失的事件意识时间图神经网络
概括
这项研究介绍了MTGN,一种新的时间图神经网络 (GNN),可以准确预测未来事件及其时间,即使缺少历史数据. 在动态网络中,MTGN提高了时间和链接预测的准确性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 网络科学 网络科学
背景情况:
- 时间图神经网络 (GNN) 对于分析生物信息学和社交网络等领域的动态网络数据越来越重要.
- 现有的GNN主要关注未来事件预测,假设完整的历史数据,这往往是不现实的.
- 在许多现实世界的应用中,准确估计事件时间与预测未来事件同样至关重要.
研究的目的:
- 开发一种新的时间GNN,能够处理未被观察到的事件,并准确预测未来的事件及其时间.
- 为了统一地建模不断变化的图形结构和事件时间,包括缺失事件,以提高预测能力.
主要方法:
- 提出MTGN (失踪时间图谱网络),一个GNN框架,旨在了解失踪事件.
- 使用两个相结合的时间点过程 (TPPs) 建模观察和缺失事件的动态.
- 将错过事件的影响纳入网络的学习过程中.
主要成果:
- 在现实世界的时间图数据集上,MTGN显著优于现有的时间GN方法.
- 在时间预测准确度方面实现了高达89%的改进.
- 在链接预测准确度方面,已经证明了高达112%的改进.
结论:
- MTGN提供了一个强大的解决方案,用于时间图分析,通过明确计算缺失事件.
- 拟议的方法增强了预测未来事件及其精确时间在动态网络.
- MTGN在处理现实世界时间图形数据的复杂性方面取得了重大进展.
相关概念视频
00:54Time-Series Graph
4.4K
A time-series graph is a line graph with repeated measurements taken at successive intervals of time. It is also called a time series chart. To construct a time-series graph, one must look at both pieces of a paired data set. The horizontal axis is used to plot the time increments, and the vertical axis is used to plot the values of the variable that one is measuring. By using the axes in this way, each point on the graph will correspond to time and a measured quantity. The points on the graph...
4.4K
01:07End Point Prediction: Gran Plot
386
A Gran plot is used to predict the equivalence volume or endpoint of a potentiometric or acid-base titration without reaching the endpoint. Typically, titration data is collected as a function of the titrant's volume up to a point less than the equivalence volume and then transformed into a linear format. The straight line is extended to the x-axis, indicating the necessary titrant volume to achieve the equivalence point.
For potentiometric titration, the Gran plot is created by plotting...
For potentiometric titration, the Gran plot is created by plotting...
386