亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

主題： Laplacian Change Point Detection for Dynamic Graphs

摘要： 動態圖和時間圖是豐富的數據結構，用于對實體之間的復雜關系進行建模，尤其是時間圖的異常檢測是現實世界中至關重要的應用，例如網絡系統中的入侵識別，生態系統擾動的檢測和流行病的檢測。在本文中，我們專注于動態圖的變化點檢測，并解決與該問題相關的兩個主要挑戰：I）如何跨時間比較圖快照，II）如何捕獲時間依存關系。為了解決上述挑戰，我們提出了拉普拉斯異常檢測（LAD），它使用每個快照上圖結構的拉普拉斯矩陣的頻譜來獲得低維嵌入。 LAD通過應用兩個滑動窗口顯式地對短期和長期依賴性進行建模。在合成實驗中，LAD的性能優于最新方法。我們還將在三個真實的動態網絡上評估我們的方法：UCI消息網絡，美國參議院共同贊助網絡和加拿大法案投票網絡。在所有三個數據集中，我們證明了我們的方法可以根據重大的現實事件更有效地識別異常時間點。

題目：

Mining Anomalies using Static and Dynamic Graphs

簡介：

在許多情況下，例如安全性，醫療保健，財務和網絡，異常檢測，即稀有或異常模式是一個緊迫的問題。審查欺詐和網絡入侵攻擊之類的異常編碼可疑，欺詐或惡意行為，不僅影響人們做出次優的決策，而且穩定地削弱了他們對業務的信任。這樣，檢測正在進行的異常并警告即將發生的異常的算法對企業和最終用戶都具有很大的影響。本文通過開發可利用連接性和時間信息來檢測異常行為或事件的原理化，可擴展算法，來考慮異常檢測問題。這些方法對于大型動態復雜數據集很有用，這些數據集具有很強的關系和時間特性，多個實體相互交互，并且會隨著時間而發展。如今，此類數據集是在多種多樣的環境中生成的，其示例范圍從電子商務日志到在線社交網絡再到物聯網。 論文的前半部分著重于圖形中的異常檢測，在這些圖中，只有靜態連接信息是已知的。給定一個圖和一些標記的頂點，我們如何推斷其余頂點的標記？例如，我們如何從一小組手動標記的誠實和偽造帳戶中發現Amazon或Facebook上的所有偽造用戶帳戶？與現有文獻相比，我們的工作利用了現實世界圖中的三個關鍵屬性，即頂點和邊類型的異質性，偏度分布和高階結構，可以產生更準確的頂點標記。所提出的算法具有封閉形式的解決方案，嚴格的收斂性保證，可以使用稀疏矩陣運算有效地實現，并且可以隨圖形大小線性縮放。 本文的后半部分著重于從連接結構隨時間變化的數據中挖掘異常。在許多情況下，尤其是與安全和衛生保健有關的情況，新發現或預期的異常的價值在于當下，而不是不久的將來。因此，給定一個隨時間變化的圖表（顯式圖或隱式圖），我們如何才能近乎實時地檢測異常或事件，甚至可能在它們發生之前提早發出警報？我們的算法可以通過僅存儲到目前為止所看到的圖形的簡短摘要并且不需要監督，就可以實時檢測異常圖形的足跡，例如密集子圖的突然出現或消失以及橋邊。我們還展示了如何以在線方式從時間序列數據推斷狀態轉換圖，并使用它來提前警告用戶標記的異常，例如不利的醫療條件。在整個論文中，著重強調的算法不僅（a）在實踐中有效，而且（b）高效，可以在幾秒鐘內在普通筆記本電腦上處理數百萬條邊緣，并且（c）有原則可以進行嚴格的推理，從而為推理，檢測或利用數據相關的見解提供理論上的保證。我們證明了我們的算法在從社交網絡和電子商務到安全和醫療保健的一系列應用中的功效。

題目： Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

摘要： 近年來隨著知識圖譜(KGs)的大量涌現，加上實體間缺失關系(鏈接)的不完全或部分信息，催生了大量關于知識庫補全(也稱為關系預測)的研究。最近的一些研究表明，基于卷積神經網絡(CNN)的模型能夠生成更豐富、更有表現力的特征嵌入，因此在關系預測方面也有很好的表現。然而，我們觀察到這些KG嵌入獨立地處理三元組，因此不能捕獲到三元組周圍的復雜和隱藏的信息。為此，本文提出了一種新的基于注意的特征嵌入方法，該方法能同時捕獲任意給定實體鄰域內的實體特征和關系特征。此外，我們還在模型中封裝了關系集群和多跳關系。我們的實驗研究為我們基于注意力的模型的有效性提供了深入的見解，并且與所有數據集上的最先進的方法相比，有顯著的性能提升。

題目： MEMORY-BASED GRAPH NETWORKS

摘 要:

圖神經網絡是一類對任意拓撲結構的數據進行操作的深度模型。我們為GNNs引入了一個有效的記憶層，它可以聯合學習節點表示并對圖進行粗化。在此基礎上，我們還引入了兩個新的網絡:基于記憶的GNN (MemGNN)和可以學習層次圖表示的圖存儲網絡(GMN)。實驗結果表明，所提出的模型在9個圖分類和回歸基準中有8個達到了最新的結果。我們也證明了這些表示學習可以對應于分子數據中的化學特征。

論文題目： GMAN: A Graph Multi-Attention Network for Traffic Prediction

論文摘要：

由于交通系統的復雜性和影響因素的多變性，長期交通預測具有很大的挑戰性。本文以時空因素為研究對象，提出了一種基于圖的多注意網絡(GMAN)來預測道路網絡圖中不同位置的時間步長下的交通狀況。GMAN采用了編碼器和解碼器的結構，編碼器和解碼器都由多個時空注意塊組成以模擬時空因素對交通條件的影響。編碼器對輸入流量進行編碼，解碼器對輸出流量進行預測。在編碼器和解碼器之間，作為解碼器的輸入，應用轉換保持層轉換已編碼的流量特征以生成未來時間步的序列表示。轉換注意機制對歷史時間步長和未來時間步長之間的直接關系進行建模，有助于緩解預測時間步長的誤差傳播問題。兩個真實的交通預測任務的實驗結果。，交通流量預測和交通速度預測)。特別地，在提前一小時的預測中，GMAN在MAE測量中比最先進的方法提高了4%。

論文作者：

范曉亮，高級工程師，碩導，數字福建城市交通大數據研究所副所長，數字福建健康醫療大數據研究所副所長。研究方向：城市感知與智能計算、醫學數據隱私保護與人工智能應用。

戚建中目前就職于墨爾本大學計算與信息系統學院，從事數據科學研究。他們最近的出版物是“用智能模擬器研究交通問題”。

題目： Online long-term trajectory prediction based on mined route patterns

簡介：

在這篇論文中，我們提出了一個大數據框架來預測流軌跡數據，利用挖掘的軌跡模式，允許準確的長期預測和低延遲。特別地，為了達到這個目標，我們遵循兩步的方法。首先，我們以離線的方式有效地識別隱藏的移動模式。隨后，軌跡預測算法利用這些模式來延長有用預測的時間范圍。實驗研究基于真實的航空和海事數據集。

作者簡介：

Panagiotis Tampakis是比雷埃夫斯大學在讀博士研究生，研究重點是數據管理、數據挖掘、大數據、移動數據管理、礦山軌跡數據。

Harris Georgiou是信息系統工程師(理學學士，理學碩士)，機器學習和醫學成像研究員(博士)，專業從事信息系統/信息技術和研發顧問，私營部門的學術教師，兼職軟件開發人員，全年潛水潛水員和水下攝影師。研究重點是機器學習，信號處理，醫學成像，預測分析，博弈論。