EvolveGCN Evolving Graph Convolutional Networks for Dynamic Graphs

目录

• 概
• 符号说明
• EvolveGCN
• 代码

Pareja A., Domeniconi G., Chen J., Ma T., Suzumura T., Kanezashi H., Kaler T., Schardl T. B. and Leiserson C. E. EvolveGCN: Evolving graph convolutional networks for dynamic graphs. AAAI, 2019.

概

GCN 用在动态图上的早期探索.

符号说明

• \(A_t \in \mathbb{R}^{n \times n}\), 在时刻 t 时的 graph snapshot;
• \(X_t \in \mathbb{R}^{n \times d}\), 在时刻 t 时的结点特征;

EvolveGCN

• EvolveGCN 的思想其实很简单, 每一个时刻采用一个普通的 GCN 将特征 \(X_t\) 转换为 node embedding, GCN 所涉及的权重则通过 RNN 来进行更新.

• 第 \(t\) 步:

  1. 权重更新: 假设 GCN 所涉及的权重为 \(W\), 则权重更新可以是 (GRU):

     
     或者 (LSTM):

     

  2. node embedding 的提取过程可以写为:

     \[H_t = g(X_t, A_t; W_t), \]

     其中 \(W_t\) 是可训练的参数.

• 上面的流程可以图示为:

代码

[official]