ترجمه فارسی مقاله شبکه‌های کانولوشن گراف مکانی-زمانی با تبدیل متنوع برای یادگیری نمایش پویای گراف

چکیده

Dynamic graphs (DG) are often used to describe evolving interactions between nodes in real-world applications. Temporal patterns are a natural feature of DGs and are also key to representation learning. However, existing dynamic GCN models are mostly composed of static GCNs and sequence modules, which results in the separation of spatiotemporal information and cannot effectively capture complex temporal patterns in DGs. To address this problem, this study proposes a spatial-temporal graph convolutional networks with diversified transformation (STGCNDT), which includes three aspects: a) constructing a unified graph tensor convolutional network (GTCN) using tensor M-products without the need to represent spatiotemporal information separately; b) introducing three transformation schemes in GTCN to model complex temporal patterns to aggregate temporal information; and c) constructing an ensemble of diversified transformation schemes to obtain higher representation capabilities. Empirical studies on four DGs that appear in communication networks show that the proposed STGCNDT significantly outperforms state-of-the-art models in solving link weight estimation tasks due to the diversified transformations.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای پویا (DG) اغلب برای توصیف تعامل در حال تحول بین گره ها در برنامه های دنیای واقعی استفاده می شود.الگوهای زمانی یک ویژگی طبیعی DGS است و همچنین برای یادگیری بازنمایی مهم است.با این حال ، مدلهای GCN پویا موجود بیشتر از GCN های استاتیک و ماژول های توالی تشکیل شده اند ، که منجر به جداسازی اطلاعات مکانی مکانی می شود و نمی تواند به طور مؤثر الگوهای زمانی پیچیده را در DG ها ضبط کند.برای پرداختن به این مشکل ، این مطالعه یک شبکه های نمودار مکانی و مکانی را با تحول متنوع (STGCNDT) ارائه می دهد ، که شامل سه جنبه است: الف) ساخت یک شبکه تانسور تانسور (GTCN) با استفاده از محصولات M Tensor بدون نیاز به نشان دادن Spatiotemporalporalporalporalporalاطلاعات به طور جداگانه ؛ب) معرفی سه طرح تحول در GTCN برای مدل سازی الگوهای زمانی پیچیده برای جمع آوری اطلاعات زمانی.و ج) ساخت مجموعه ای از طرح های متنوع تحول برای به دست آوردن قابلیت های نمایندگی بالاتر.مطالعات تجربی در چهار DG که در شبکه های ارتباطی ظاهر می شوند نشان می دهد که STGCNDT پیشنهادی به طور قابل توجهی از مدلهای پیشرفته در حل وظایف تخمین وزن پیوند به دلیل تحولات متنوع استفاده می کند.