计算机科学>机器学习
标题: 面向实时时序图学习
摘要: 近年来,图表示学习得到了广泛的应用,其目的是生成捕捉图特征的节点嵌入。 实现这一点的方法之一是使用一种称为随机行走的技术,该技术捕获图中的节点序列,然后使用称为Word2Vec的自然语言处理技术学习每个节点的嵌入。 然后,这些嵌入用于对用于分类任务的图形数据进行深度学习,例如链接预测或节点分类。 以前的工作是对预先收集的时序图数据进行操作的,并不是为了实时处理图上的更新而设计的。 现实世界中的图形是动态变化的,它们的整个时间更新都不可用。 在本文中,我们提出了一个端到端的图学习管道,该管道执行时序图构建,创建低维节点嵌入,并在在线环境中训练多层神经网络模型。 神经网络模型的训练被认为是主要的性能瓶颈,因为它对许多顺序连接的低维核执行重复的矩阵运算。 我们建议在这些低维内核中解锁细粒度并行,以提高模型训练的性能。