动态超限预测性能领先
通过弹性超图神经网络与交替去同步图卷积网络分离高阶与低阶特征，实现任意阶动态超边的精确预测。
Wang, Zhihui · 陈建芮 · 邵仲世 · 王震
IEEE Transactions on Knowledge and Data Engineering 2024
通过弹性超图神经网络增量挖掘隐式高阶关系，同时利用交替去同步图卷积网络学习低阶关系演化，实现任意阶动态超边的同时预测。
摒弃传统混合传播方式，分别在高阶和低阶视图上进行特征提取与传播，避免特征混淆，提升预测准确性。
在 8 个动态高阶网络数据集上与 14 个最先进基线方法对比，均取得更优性能，证明了模型的有效性。
交替去同步图卷积网络通过去同步学习机制，在学习低阶关系演化规律的同时，有效缓解了图神经网络中的过平滑现象。