EvolveGCN 文献阅读笔记
发布时间
阅读量：
阅读量
论文题目
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
发表日期、所属会议/期刊/预印本:
AAAI 2020
做得什么:
EvolveGCN在时间维度上采用了图卷积网络（GCN）模型，而无需借助节点嵌入。所提出的方法通过使用RNN来进化GCN参数来捕获图序列的动态性。
怎么做的（重点）:
EvolveGCN的整体演示图
RNN可以为GRU或LSTM等循环神经网络，时间步不同会沿层生成不同的信息
GCN
- GCN的计算过程，t时刻,第l层的领接矩阵A与结点的embedding矩阵H作为输入，W矩阵作为更新t+1时刻的结点embedding的矩阵。如图：
权重计算
模型的核心是对权重矩阵的更新
-
使用GRU来根据系统t时刻下的输入更新隐藏层状态（EvolveGCN-H），如图：
-
使用LSTM来模拟权重参数作为输入输出的结构（EvolveGCN-O），如图：
Evolving Graph Convolution Unit
- 结合图的卷积与上述的递归结构的计算权重方式构成新的图卷积模块EGCU。
- EvolveGCN-H中，GCN权重被视为递归结构的隐藏状态；而在-O版本中，这些权重被视为输入/输出。
- 对于一个时间步，不同层连接组成一个多层的GCN，构成一个整体模型EvolveGCN。
- -H版本适用于节点特征丰富的情况、-O版本适用于节点特点不大的情况，从而更注重结构的变化。
result
EvolveGCN可以更灵活地处理动态数据，因为节点不需要一直存在。
对于链路预测、边缘分类和节点分类这几类任务，EvolveGCN方法通常优于相关方法。
来源
全部评论 (0)
还没有任何评论哟~