【图神经网络：原理与实战】第五章 动态图学习（时序图）

VectorShift VectorShift 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 290平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄1年
关注
原创 2026-03-26 17:21:46 290 阅读 AI 写同款· GEO 优化 ›
时序图神经网络总结（1） 本系列是整理关于用图神经网络（特别是图卷积）来建模时序图数据的论文。 2016-2017基本概念论文1 Structural Sequence Modeling with Graph Convolutional Recurrent NetworksMotivationMethodModel 1Model 2Result论文2 Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecast 阅读详情

目录

5.1 问题形式化与分类

5.1.1 离散时间演化图的定义与记号

5.1.2 连续时间事件图（CTDG）的数学刻画与对数似然推导

5.1.3 静态—动态混合问题的界定

5.1.4 评价指标与时间敏感性量化

5.2 时间编码与时序嵌入

5.2.1 绝对时间编码与相对时间编码的数学比较

5.2.2 周期性与非平稳时间信号建模

5.2.3 时间编码在消息传递中的注入方式 — 数学效果分析

5.2.4 时间卷积与时序注意力的数学性质

5.3 流式更新与增量学习策略

5.3.1 事件驱动的在线更新流程（形式化与正确性）

5.3.2 缓存与窗口机制的状态管理：截断误差界

5.3.3 增量参数更新（在线 SGD）与收敛性证明

5.3.4 概念漂移检测与触发重训练的统计检验

5.4 全局依赖建模与 SGD-DyG 分析

5.4.1 全局—局部冲突的量化表达

5.4.2 SGD-DyG 框架与收敛界（严密推导）

5.4.3 复杂度评估与内存边界

5.4.4 实验设计与基准建议（定量化）

本章小结

收录于
机器学习

当前文章被收录于：

机器学习
49 篇文章 2 人学习
订阅专栏 查看详情
标签
#人工智能 #算法 #大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【信息科学与工程学】【通信工程】第十八篇 企业网、园区网、数据中心、广域网各类业务网络02 模型类别基本假设网络表示耦合函数渗透方程临界条件物理意义一对一依赖​每个交通节点与一个通信节点相互依赖双层网络：交通层G_T=(V_T,E_T)，通信层G_C=(V_C,E_C)，层间一一对应边E_I依赖函数：RT​=fT​(RC​,p)，RC​=fC​(RT​,p)自洽方程： RT​=p[1−GT​0(1−RT​)][1−GC​0(1−RC​)] RC​=p[1−GC​0(1−RC​)][1−GT​0(1−RT​)]pc​=⟨kT2​⟩⟨kC2​⟩​1​ ⟨k²⟩=⟨k(k-1)⟩对称耦 阅读详情

相关推荐

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）

jks212454的博客 372

图神经网络入门（五）不同类型的图

本文是清华大学刘知远老师团队出版的图神经网络书籍《Introduction to Graph Neural Networks》的部分内容翻译和阅读笔记。个人翻译难免有缺陷敬请指出，如需转...

weixin_45519842的博客 1932

船载 OpenHarmony AIS 航海工作台：告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统，集成十余类告警（超速、偏航、会遇、SOS等），通过网格空间索引实现高效邻近判定，保障实时性。告警管理器统一调度规则、去重、通知与日志，支持悬浮球、语音、跑马灯、弹窗多渠道触达，确保航行安全。SOS紧急通道独立运行，避免干扰。系统设计强调性能优化与多场景适配，为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 305

时序图神经网络（3）

2019论文5 DyREP: Learning Representation over Dynamic Graphs论文6 Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting论文7 Variational Graph Recurrent Neural Networks论文8 Dynamic Graph Representation Learning via Self-attent

qq_42275073的博客 3158

汽车LED驱动芯片TPS92682-Q1 SPI接口配置与调试实战指南

SPI（串行外设接口）作为一种高速、全双工的同步串行通信总线，广泛应用于微控制器与外围设备之间的数据交换。其工作原理基于主从架构，通过时钟、数据线和片选信号实现设备间的精准时序控制。在汽车电子和工业控制领域，SPI因其简单高效、易于扩展的特性，成为配置复杂电源管理芯片、传感器和存储器的关键技术。通过SPI接口，工程师能够动态调整设备参数、实时读取状态信息，并实现复杂的故障诊断与保护策略，极大地提升了系统的灵活性与可靠性。本文以汽车级双通道LED恒流驱动器TPS92682-Q1为例，深入解析如何通过SPI接口

weixin_29185493的博客 289

基于C#的ASP.NET开发的党史学习网站课设

开展党史学习教育，就是要以史为镜、以史明志，把苦难辉煌的过去、日新月异的现在、光明宏大的未来贯通起来，在鉴往知来中砥砺前行，在乱云飞渡中把准航向，在凝心聚力中团结奋斗，共同创造新的历史伟业。登陆按钮与数据库进行连接，逻辑实现是如图3.1.3所示，自己定义一个SQL查询语句，将账号、密码放入SQL查询语句中，用sqlDataReader.HasRows语句进行逐一比较，找出结果，将用户名存入session并调用cookies，如果结果存在就关闭数据库，进行数据跳转，并弹出登陆成功的提示框，并关闭数据库。

m0_62408555的博客 975

【Twitter】时序图神经网络

图神经网络(GNNs)最近变得越来越受欢迎，因为它们能够学习复杂的关系系统或相互作用，这些关系或作用来源于生物学和粒子物理学到社会网络和推荐系统等广泛问题。尽管在图上进行深度学习的不同模型太多了，但迄今为止，很少有人提出方法来处理呈现某种动态性质的图(例如，随着时间的推移而进化的特征或连通性)。在本文中，我们提出了时序图网络(TGNs)，一个通用的，有效的框架，用于深度学习动态图表示为时间事件序列。由于内存模块和基于图的运算符的新组合，TGNs能够显著优于以前的方法，同时在计算效率上也更高。此外，我们还展示

SimonChen 3162

如何实现VMware虚拟机上的ubuntu与windows主机共享文件夹

windows主机部分   在硬盘上任意位置新建文件夹，此处命名为Share，实际上随意。 接下来右键属性，操作如下系列图所示： 在硬盘上任意位置新建文件夹，此处命名为Share，实际上随意。 成功修改后，显示如下界面： VMware部分 ubuntu在关机状态下，点击“编辑虚拟机设置” 接下来，开启ubuntu系统，在终端输入： ·· vmware-hgfsclient ·· 将会显示如下画面，但是此时你可能找不到 /mnt/hgfs 这个路径，如果找不到该路径，则需要在虚拟

Mr.Sliver的博客 8221

【图神经网络：原理与实战】第八章 Transformer–GNN 混合与长距离依赖

直觉：先对输入做局部低通滤波（去噪、平滑）能减少 Transformer 所需的建模复杂度（例如降低注意力需要恢复的高频量），并能减小注意力输入的噪声敏感性，从而改善数值稳定性。评估指标应既量化预测性能，也量化模型处理长程依赖的能力与资源开销。下列指标及其数学定义适用于绝大多数长距评测。可视化建议本节提供了一套从数据、指标、实验设计、统计检验、剖析诊断到可解释性验证的完整方法论，旨在对“长距离依赖”方法做出严谨、可重复与可证实的比较。分层指标（总体与远程子集）是区分模型是否真正掌握长程依赖的基础；

VectorShift的博客 1370

Win10 LTSC 2021 CPU占用率飙升？KB5017308补丁修复全攻略

本文针对Windows 10 LTSC 2021系统中因wsappx进程导致的CPU占用率异常飙升问题，提供了详细的解决方案。核心在于安装微软官方发布的KB5017308补丁，该补丁能从根本上修复系统组件缺陷，使CPU占用恢复正常。文章详解了补丁的下载、安装步骤、注意事项及安装后的验证方法，是解决此问题的权威指南。

python9snake的博客 1280

红外：非均匀性校正01_基本原理与基本方法

非均匀校正(nonuniformity correction,NUC) 基本原理 这里要表达的意思就是：图中每一条直线对应一个像素点的，亮度/辐照度的情况。由于硬件的关系，每一个像素点的线性响应很不一样，所以需要通过矩阵来校正。 校正原理： 一点校正 两点校正 其他原理介绍： 参考链接： 基于多项式拟合的红外焦平面非均匀校正 课件：光电成像——非均匀性校正 红外图像非均匀性校正相关汇总 红外非均匀性校正算法总结 红外图像非均匀矫正——一点矫正 ...

dlvector的博客 2万+

【图神经网络：原理与实战】 1 图与矩阵表示

本章系统构建了图的数学表示与分析框架。首先严格定义了无向/有向图、带权图及相关矩阵表示（邻接矩阵、拉普拉斯矩阵），并推导了拉普拉斯算子的谱性质，建立图傅里叶变换与谱域滤波的理论基础。然后通过随机游走模型和经典随机图模型（ER、BA、WS）揭示图结构的统计特性，推导了基于随机过程的结构相似性度量。最后对图学习中的评价指标（分类、排序、生成任务）进行了严格数学推导，包括统计显著性检验、负采样策略等关键问题。全章采用教材式严谨推导，为图神经网络提供了坚实的理论基础。

VectorShift的博客 1970

apollo自动驾驶进阶学习之：如何实现施工路段限速绕行及其参数调试

首先需要理解Planning模块是基于Scenario、Stage、Task这样的层次来进行的，即场景->步骤->具体的决策方法。Apollo可以应对自动驾驶所面临的不同道路场景，都是通过Scenario统一注册与管理。Scenario通过一个有限状态机来判断选择当前行车场景，每个Scenario下又有多个Stage，指当前场景下需要执行的粗略步骤。.........

qq_41593516的博客 6599

【图神经网络：原理与实战】第九章 异构图神经网络

定义 9.1（异构图）一个异构图（heterogeneous graph）是五元组异构图的核心在于不仅节点特征不同，而且不同类型节点之间的连边在语义上常是不对称或多样的，例如在知识图谱中“作者—写作—论文”与“论文—发表—会议”属于不同边类型。为便于后续代数表达，我们常把异构图拆分为按类型索引的子集合与子图。按类型分割的表示异构图上的任务常比同构图更复杂，因应不同层面的问题要用不同的目标函数与评价指标。下面以统一符号形式把主要任务类型形式化，并指出异构性带来的特殊性。

VectorShift的博客 1577

用 CDS 作为 Referenced Data Source 开发 SAP Gateway OData 服务，一条更轻的 SEGW 路线

本文介绍了SAP Gateway项目中从传统手工建模到基于CDS View的现代化开发方式转变。主要内容包括： 传统方式需要在SEGW中手动创建Entity Type、Entity Set等元素，并在DPC_EXT中编写大量查询逻辑，存在模型层和业务逻辑重复表达的问题。 7.50版本后，SAP Gateway与ABAP CDS深度集成，可通过SEGW直接引用CDS View作为数据源，自动生成数据模型和SADL读取逻辑，支持完整的OData查询功能。 最佳实践建议通过Consumption View而非直接

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 707

nvidia系列教程-AGX-Orin基础环境搭建

NVIDIA Jetson AGX Orin 是一款功能强大的嵌入式AI平台，专为需要高性能和低功耗的边缘计算应用设计。无论是自动驾驶、机器人，还是智能监控系统，Jetson AGX Orin 都能为这些应用提供强大的计算能力。本篇博客将为大家详细介绍如何在AGX Orin（32GB）上搭建基础开发环境，包括系统安装、CUDA和cuDNN的配置等，帮助你快速上手这个强大的平台。架构: 搭载 56 个 Tensor Core 的 1792 核 NVIDIA Ampere c GPUCUDA Cores。

flypig has a dream！ 2799

计算机毕设答辩|计算机毕业设计|大数据深度学习|—Flask-基于图神经网络的谣言检测研究-GNN

核心依赖：PyTorch Geometric（图神经网络库）、Flask、Transformers。* 节点特征工程：用户特征（粉丝数、认证状态）、文本特征（BERT嵌入）、时序特征。* 前端可视化库：D3.js（传播图绘制）、ECharts（统计图表）原始数据存储（MongoDB）、图数据存储（Neo4j）、模型文件。* GNN在谣言检测中的最新研究进展（传播树建模、异构图学习）* 消融实验：验证各模块（文本特征、传播结构、时序信息）贡献。* 传统谣言检测方法：基于文本特征、用户特征、传播特征。

2401_89210028的博客 1065

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 352

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

AI 问数真的能替代 BI 报表吗？

AI问数赋能自然语言查询，提升临时分析效率，但无法替代传统报表。报表适用于稳定输出与持续监控，AI则擅长探索性提问。企业用好AI问数，关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI，才能实现高效、准确的业务洞察。

葡萄城技术团队博客 280

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 254

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比：谁的引用更可信

AI 引擎的引用机制差异很大：ChatGPT 以行内引用加 Sources 列表呈现来源，Perplexity 几乎逐句可溯源，Gemini 在回答中内嵌相关来源链接，AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎，并给出 GEO 的 3 点启示，帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 191

【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端

上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 563

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 619

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式，批判符号主义、连接主义、行为主义剥离生命本体的误区，确立“智能是现象，生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体，提出“生命体AI理论”，构建七层演化阶梯与自闭环工程框架，强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界，推动从“仿真表象”向“原生智能”的范式跃迁，开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 160

OpenClaw 深度调查：把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调：Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图，全部数字标注口径，数据截至 2026-10-31。

厚积薄发 294

AI赋能智慧港口建设｜造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进，港口三维场景的需求日益旺盛。传统港口三维建模，往往需要航拍倾斜摄影采集数据，再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型，项目周期长、人力成本高，修改迭代繁琐，制约港口可视化项目落地效率。国产AI三维建模工具，依托卫星影像 AI 识别能力，无需航拍作业，一键快速搭建港口完整三维场景，为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 51
上一篇： 【图神经网络：原理与实战】4 训练技巧与大图方法 第一节 采样方法与训练批次框架
下一篇： 【图神经网络：原理与实战】第六章 自监督学习与特征解耦
点赞 2
评论 0
书签 书签 0
VectorShift
VectorShift
博客等级 码龄1年 1839粉丝 1109原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值