Communication Dans Un Congrès Année : 2024

DspGNN : Une Approche Spectrale de Réseau de Neurones sur Graphes Dynamiques pour la régression des arêtes

Résumé

Cet article présente DspGNN (Dynamic Spectral-Parsing Graph Neural Network), un réseau de neurones sur graphes dynamiques qui intègre des opérations de convolution spectrales sur graphes. DspGNN permet de capturer efficacement les informations spectrales évolutives dans des graphes dynamiques à temps discret (DTDG), à des fins de prédiction d'attributs numériques sur les arêtes. Notre première contribution est l'adaptation et l'optimisation des convolutions spectrales sur graphes dynamiques qui étaient jusqu'ici dédiées aux graphes statiques. La seconde contribution est une technique innovante, simple et efficace appelée Active Node Mapping (ANM) pour réduire la complexité calculatoire de la décomposition en valeurs propres sur de grands DTDGs. Au travers d'expérimentations, nous montrons que le modèle DspGNN est performant sur l'ensemble de données de transactions en bitcoins de la conférence EGC 2024 et sur deux autres ensembles de données de la littérature.

Fichier principal
Vignette du fichier
egc2024.pdf (457.18 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05457699 , version 1 (14-01-2026)

Licence

Identifiants

  • HAL Id : hal-05457699 , version 1

Citer

Leshanshui Yang, Clément Chatelain, Sébastien Adam. DspGNN : Une Approche Spectrale de Réseau de Neurones sur Graphes Dynamiques pour la régression des arêtes. Extraction et Gestion de Connaissances (EGC), Jan 2024, Dijon, France. ⟨hal-05457699⟩
40 Consultations
17 Téléchargements

Partager

  • More