Predicting Path Failure In Time-Evolving Graphs 文章总结

刚接触这个领域，做一些论文笔记 日后汇报、写毕业论文都会用到。如果文章中有理解错误的地方，大家可以一起讨论

摘要

主要是通过利用随时间变化的图，动态的捕捉数据之间的空间依赖性，解决通讯网络与交通网络中路径2分类问题——畅通/堵塞。模型上使用LRGCN与SAPE，其中LRGCN模块主要用来处理数据时间上和空间上的关联性，SAPE(self-attentive path embedding)，用于解决不定长道路表示问题，用SAPE方法综合考虑了道路上节点权重问题，并且可以表示任意长的道路。

背景介绍

通讯网络：

• 图的组成：节点为交换机，边是连接交换机的光纤

• 图发生变化的原因：硬件故障导致的链路失效

交通网络：

• 图的构成：节点是传感器(如摄像头)，边就是路段

• 图发生变化的原因：自然灾害/事故导致的道路封闭

前人工作：

以往的随时间变化图关注的都是节点分类任务，没有用到道路分类任务上；

任务的挑战：

• 复杂的时间依赖性和结构的动态变化
• 节点观测值的非静态性：季节上的周期性、当天的周期性(早高峰、晚高峰之类的)
• 图结构变化：非常突然的交通事故，同时会伴随着节点上观测值的剧烈变化，如何捕捉这种剧烈的变化对于道路分类任务十分重要
• 道路的长度是任意性的，一条道路可能包含2个路段，也可能包含50个路段。如何统一的表示任意长的道路

主要贡献：

• 第一个研究基于时间演化图的道路分类问题，提出的LRGCN达到了SOTA的效果
• 设计了一种道路表示方法self-attentive path embedding method called SAPE：
  • 可以表示任意长度的道路
  • 通过自注意力机制学习道路中重要的节点，融入到道路表示中。
• 在两个数据集通讯网络和加利福尼亚州交通数据上，以Macro-F1为评价指标验证了模型优于对比的算法

问题定义：

• 节点集合
  
• 表示在时刻t时邻接矩阵的情况(有向图)

• 特征表示，时刻t时 各个节点特征
  

• 序列图"快照"表示：
  

path表示：

一系列节点的组合

时刻t下，道路节点对应的观测值

道路 available or not

通讯网络中，不一定是光纤被挖断了这种情况path才不可用，如果服务质量太差也会被认定为不可用。

损失函数