这项工作建立了一个全谱框架，以捕捉动态系统中信息丰富的长时间相互作用。我们将谱变换与低阶自注意机制联系起来，并研究其能量平衡效应和计算效率。基于观察结果，我们利用自适应功率法SVD和全局图帧卷积来编码与时间相关的特征和图结构，用于连续动态图表示学习。前者是一种高效的高阶线性自关注，具有确定的传播规则，而后者建立了可扩展和可转移的几何特征，用于属性预测。从经验上看，该模型在各种在线学习任务中学习条件良好的隐藏表示，并以较少的可学习参数和更快的传播速度获得了最佳性能。

纸张链接：用于动态图表示的良好条件谱变换

要安装要求，请执行以下操作：

pip安装-r要求.txt

从以下站点下载示例数据集（例如维基百科和reddit）在这里并将其csv文件存储在名为数据/.

我们使用密度npy公司format以二进制格式保存功能。如果边缘特征或节点如果没有特征，它们将被一个零向量所取代。

python utils/preprocess_data.py--数据维基百科--二部python utils/preprocess_data.py--数据reddit--二部

#维基百科数据集上的转化学习python link_predication_transfuctive.py--数据维基百科--drop_out 0.3--num_modes 70--memory_dim 150--n_runs 1#维基百科数据集上的归纳学习python link_prediction_inductive.py--数据wikipedia--drop_out 0.3--memory_dim 150--gpu 0--early_stopper 10--n_run 1--num_modes 70

（这需要一个来自自我监督任务的经过训练的模型，例如运行上述命令）：

#节点分类python node_classification.py--drop_out 0.3--num_modes 70--memory_dim 150--n_runs 1

如果您觉得此存储库有帮助，请引用我们的论文和以下bibtex：

@正在进行{周2022spedgnn，
title={动态图表示的良好条件谱变换}，
author={周，冰心和刘，新良和刘，岳华和黄，云英和廖，彼得罗和王玉光}，
booktitle={图形学习（LOG）会议}，
年份={2022}
}