随着时间的推移,从汽车、制药到电子商务和银行,大型网络数据已经在大多数行业中无处不在。尽管最近做出了一些努力,但以有效和可扩展的方式在不断变化的数据上使用时间图神经网络仍然是一项挑战。本次演讲展示了euroanova的研究轨迹之一。我们提供了直接适用于实际用例的相关持续学习方法的概述。由于可解释性已成为值得信赖的AI的核心要素,我们引入了最先进的方法,用于解释节点、链接或图级预测。

成为VIP会员查看完整内容
46

相关内容

最新《可解释机器学习》报告,164页ppt建模阐述XAI进展
专知会员服务
105+阅读 · 2022年8月25日
【IJCAI2021】基于图学习的推荐系统综述
专知会员服务
96+阅读 · 2021年5月7日
【2020新书】《图核方法最新进展与未来挑战》,151页pdf
专知会员服务
64+阅读 · 2020年11月15日
GNN在Google是如何落地的?附Bryan的43页分享ppt
图与推荐
3+阅读 · 2022年5月12日
AAAI 2022 | ProtGNN:自解释图神经网络
专知
10+阅读 · 2022年2月28日
【KDD2020】图神经网络:基础与应用,322页ppt
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
8+阅读 · 2009年12月31日
Arxiv
23+阅读 · 2022年2月4日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
20+阅读 · 2019年11月23日
Arxiv
15+阅读 · 2019年9月11日
VIP会员
相关主题
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
8+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员