這些強大的演算法在過去幾年中獲得了巨大的興趣。然而,這種性能是基於靜態圖結構假設的,這限制了圖神經網路在資料隨時間變化時的表現。時序圖神經網路是考慮時間因素的圖神經網路的擴展。
近年來,各種時序圖神經網路演算法被提出,並在多個時間相關應用中取得了優於其他深度學習演算法的效能。本綜述討論了與時空圖神經網路相關的有趣主題,包括演算法、應用和開放挑戰。
論文網址:https://www.php.cn/link/1915523773b16865a73a38acc952ccda
#1. 引言
#圖神經網路(GNN)是一類深度學習模型,專門設計用於處理圖結構資料。這些模型利用圖拓樸來學習圖的節點和邊的有意義表示。圖神經網路是傳統卷積神經網路的擴展,在圖分類、節點分類和連結預測等任務中被證明是有效的。 GNNs的關鍵優勢之一是,即使在基礎圖的規模增長時,它們也能保持良好的效能,這是因為可學習參數的數量獨立於圖中節點的數量。圖神經網路(GNN)已被廣泛應用於各種領域,如推薦系統、藥物發現和生物學以及自治系統中的資源分配。然而,這些模型僅限於靜態圖數據,其中圖結構是固定的。近年來,時變圖數據引起了人們越來越多的關注,它出現在各種系統中並攜帶有價值的時間資訊。時變圖資料的應用包括多元時間序列資料、社交網路、視聽系統等。
為了滿足這個需求,出現了一種新的GNN族:時空GNN,透過學習圖結構的時間表示,同時考慮了資料的空間和時間維度。本文對最先進的時空圖神經網路進行了全面的回顧。本文首先簡要概述不同類型的時空圖神經網路及其基本假設。更詳細地研究了時空GNN中使用的特定演算法,同時也為這些模型的分組提供了有用的分類法。本文也概述了時空GNN的各種應用,強調了這些模型已被用於取得最先進結果的關鍵領域。最後,討論了該領域面臨的挑戰和未來的研究方向。總之,本篇綜述旨在對時空圖神經網路進行全面且深入的研究,強調該領域的現狀、仍需要解決的關鍵挑戰,以及這些模型令人興奮的未來可能性。
2. 演算法
時空圖神經網路從演算法角度可分為基於頻譜的和基於空間的兩類。另一個分類類別是引入時變的方法:另一個機器學習演算法或在圖結構中定義時間。
2.1 混合時空圖神經網路
混合時空圖神經網路由兩個主要元件組成:空間元件和時間元件。在混合時空圖神經網路中,利用圖神經網路演算法對資料中的空間依賴關係進行建模。
2.2 Solo-Graph神經網路
在時空圖神經網路中建模時間的另一種方法是在GNN本身中定義時間框架。提出了多種方法,包括:將時間定義為邊,將時間作為訊號輸入到GNN,將時間建模為子圖,以及將其他機器學習架構夾在GNN中(圖2)。
3. 應用程式
3.1 多變量時間序列預測
受圖神經網路處理關係依賴[10]能力的啟發,時空圖神經網路被廣泛應用於多變量時間序列預測。應用包括流量預測,Covid預測,光伏電力消耗,RSU通訊和地震應用。
3.2人物互動
在機器學習和電腦視覺中,時空域學習仍然是一個非常具有挑戰性的問題。主要的挑戰是如何在大的時空上下文[18]中建模物件和更高層次的概念之間的交互作用。在這樣一個困難的學習任務中,有效地對空間關係、局部外觀以及隨著時間發生的複雜互動和變化進行建模是至關重要的。 [18]引入了一種時空圖神經網路模型,在空間和時間上循環,適合捕捉不斷變化的世界場景[18]中不同實體和物體的局部外觀和複雜的高層交互作用。
3.3 動態圖表示
時序圖表示學習一直被認為是圖機器學習中一個非常重要的面向[15,31]。針對現有方法依賴時序圖的離散快照而無法捕捉強大表示的局限性,[3]提出了一種基於時空圖神經網路的動態圖表示學習方法。此外,[15]如今使用時空GNN動態表示腦圖。多目標追蹤影片中的多目標追蹤嚴重依賴對目標之間的時空交互作用進行建模[16]。 [16]提出了一種時空圖神經網路演算法,對物件之間的空間和時間交互作用進行建模。
3.4 手語翻譯
手語採用視覺-手動方式來傳達意義,是聾人和重聽群體的主要溝通工具。為了縮小口語使用者和手語使用者之間的溝通鴻溝,機器學習技術被引入其中。傳統上,神經機器翻譯被廣泛採用,但需要更先進的方法來捕捉手語的空間屬性。 [13]提出了一種基於時空圖神經網路的手語翻譯系統,該系統在捕捉手語的時空結構方面具有強大的能力,與傳統的神經機器翻譯方法[13]相比,取得了最好的性能。
3.5 技術成長排名
了解技術的成長率是技術部門業務策略的核心關鍵。此外,預測技術的成長速度和相互之間的關係,有助於在產品定義、行銷策略和研發方面的商業決策。 [32]提出了一種基於時空圖神經網路的社交網路技術成長排名預測方法。
4. 結論
圖神經網路在過去幾年中獲得了巨大的興趣。這些強大的演算法將深度學習模型擴展到非歐氏空間。然而,圖神經網路限於靜態圖結構假設,限制了圖神經網路在資料隨時間變化時的表現。時序圖神經網路是考慮時間因素的圖神經網路的擴展。本文對時空圖神經網路進行了全面的概述。本文提出了一種分類法,基於時變方法將時空圖神經網路分為兩類。也討論了時空圖神經網路的廣泛應用。最後,根據目前時空圖神經網路面臨的公開挑戰,提出了未來的研究方向。
參考資料:https://www.php.cn/link/1915523773b16865a73a38acc952ccda
##以上是GNN如何建模時空資訊?倫敦瑪麗皇后大學「時空圖神經網路」綜述,簡明闡述時空圖神經網路方法的詳細內容。更多資訊請關注PHP中文網其他相關文章!

經常使用“ AI-Ready勞動力”一詞,但是在供應鏈行業中確實意味著什麼? 供應鏈管理協會(ASCM)首席執行官安倍·埃什肯納齊(Abe Eshkenazi)表示,它表示能夠評論家的專業人員

分散的AI革命正在悄悄地獲得動力。 本週五在德克薩斯州奧斯汀,Bittensor最終遊戲峰會標誌著一個關鍵時刻,將分散的AI(DEAI)從理論轉變為實際應用。 與閃閃發光的廣告不同

企業AI面臨數據集成挑戰 企業AI的應用面臨一項重大挑戰:構建能夠通過持續學習業務數據來保持準確性和實用性的系統。 NeMo微服務通過創建Nvidia所描述的“數據飛輪”來解決這個問題,允許AI系統通過持續接觸企業信息和用戶互動來保持相關性。 這個新推出的工具包包含五個關鍵微服務: NeMo Customizer 處理大型語言模型的微調,具有更高的訓練吞吐量。 NeMo Evaluator 提供針對自定義基準的AI模型簡化評估。 NeMo Guardrails 實施安全控制,以保持合規性和適當的

AI:藝術與設計的未來畫卷 人工智能(AI)正以前所未有的方式改變藝術與設計領域,其影響已不僅限於業餘愛好者,更深刻地波及專業人士。 AI生成的藝術作品和設計方案正在迅速取代傳統的素材圖片和許多交易性設計活動中的設計師,例如廣告、社交媒體圖片生成和網頁設計。 然而,專業藝術家和設計師也發現AI的實用價值。他們將AI作為輔助工具,探索新的美學可能性,融合不同的風格,創造新穎的視覺效果。 AI幫助藝術家和設計師自動化重複性任務,提出不同的設計元素並提供創意輸入。 AI支持風格遷移,即將一種圖像的風格應用

Zoom最初以其視頻會議平台而聞名,它通過創新使用Agentic AI來引領工作場所革命。 最近與Zoom的CTO XD黃的對話揭示了該公司雄心勃勃的願景。 定義代理AI 黃d

AI會徹底改變教育嗎? 這個問題是促使教育者和利益相關者的認真反思。 AI融入教育既提出了機遇和挑戰。 正如科技Edvocate的馬修·林奇(Matthew Lynch)所指出的那樣

美國科學研究和技術發展或將面臨挑戰,這或許是由於預算削減導致的。據《自然》雜誌報導,2025年1月至3月期間,美國科學家申請海外工作的數量比2024年同期增加了32%。此前一項民意調查顯示,75%的受訪研究人員正在考慮前往歐洲和加拿大尋找工作。 過去幾個月,數百項NIH和NSF的撥款被終止,NIH今年的新撥款減少了約23億美元,下降幅度接近三分之一。洩露的預算提案顯示,特朗普政府正在考慮大幅削減科學機構的預算,削減幅度可能高達50%。 基礎研究領域的動盪也影響了美國的一大優勢:吸引海外人才。 35

Openai推出了強大的GPT-4.1系列:一個專為現實世界應用設計的三種高級語言模型家族。 這種巨大的飛躍提供了更快的響應時間,增強的理解和大幅降低了成本


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

Atom編輯器mac版下載
最受歡迎的的開源編輯器

MinGW - Minimalist GNU for Windows
這個專案正在遷移到osdn.net/projects/mingw的過程中,你可以繼續在那裡關注我們。 MinGW:GNU編譯器集合(GCC)的本機Windows移植版本,可自由分發的導入函式庫和用於建置本機Windows應用程式的頭檔;包括對MSVC執行時間的擴展,以支援C99功能。 MinGW的所有軟體都可以在64位元Windows平台上運作。

Dreamweaver CS6
視覺化網頁開發工具

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。