基于时空建模的动态图卷积神经网络

李荆¹, 刘钰², 邹磊^2,?

1. 北京大学前沿交叉学科研究院, 北京 1008712. 北京大学王选计算机研究所, 北京 100871

收稿日期:2020-05-25修回日期:2020-06-07出版日期:2021-07-20

基金资助:国家自然科学基金(61932001)资助

A Dynamic Graph Convolutional Network Based onSpatial-Temporal Modeling

LI Jing¹, LIU Yu², ZOU Lei^2,?

1. Academy for Advanced Interdisciplinary Studies, Peking University, Beijing 1008712. Wangxuan Institute of Computer Technology, Peking University, Beijing 100871

Received:2020-05-25Revised:2020-06-07Published:2021-07-20

PDF

(829KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 为了使图表示学习得到的嵌入向量对节点和边不断变化的动态图具有很好的信息表征能力, 提出一种动态图卷积神经网络模型(DyGCN), 将动态图上的表示学习建模为时间和空间信息的聚合。该模型将从图卷积神经网络(GCN)的空间卷积提取图上的结构信息与从时间卷积神经网络(TCN)的因果卷积提取时序上的历史信息相结合, 同时在空间卷积层加入自适应的模型更新机制, 使得模型参数随着图结构的变化能够自适应地更新。在金融领域数据集上针对金融欺诈检测进行的边分类实验表明, 该模型比现有方法有很大的性能提升。

引用本文

李荆, 刘钰, 邹磊. 基于时空建模的动态图卷积神经网络[J]. 北京大学学报自然科学版, 2021, 57(4): 605-613.
LI Jing, LIU Yu, ZOU Lei. A Dynamic Graph Convolutional Network Based onSpatial-Temporal Modeling[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(4): 605-613.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3628