动态图神经网络综述笔记(二)动态图神经网络

笔记第二部分

Dynamic graph neural networks

动态图网络有深度的时间序列编码，能将邻居节点聚合起来。

定义

如果一个深度表征学习将邻居节点信息聚集起来作为结构，那么这就是一个动态图神经网络
在离散的情况下，DGNN是GNN和时间序列的组合。如果是连续的，情况就会有些多变，聚集节点不能再用传统的GNN的方法。

DGNN的种类

• Pseudo-dynamic
  这个方法改变的是网络的拓扑结构，而不是时间。
• Discrete
  编码网络使用了快照，并且每次快照编码一次。
• Continuous
  遍历网络是以边和边的形式，所以它完全独立于任何的快照尺寸。

  Pserudo-dynamic models

  pseudo-dynamic contains dynamic processes, but the
  dynamic properties of the model are not fit to the dynamic
  data.

按照我的理解，这种方式只适用于数据不会改变的情况…

Edge-weighted models

是将动态网络转化为edge-weighted network 然后使用静态的GNN在上面。例如TDGNN

Discrete dynamic graph neural networks

给出一组离散的图

通过GNN形成z代表在时间t中的i节点

通过函数f，生成当前的h，f可以是RNN和自注意力机制

也可以这样表示：