机构名称：
¥ 1.0
建模连续时间动力学构成了基础挑战，并且在复杂系统中发现组件相关性具有增强动态建模的效率的希望。具有普通微分方程的Ingrating Graph神经网络的流行方法表现出了有希望的性能。但是，他们无视图表上关键的签名信息潜力，阻碍了他们准确捕获现象的能力并导致了差异。为了回应，我们引入了一种新颖的方法：签名的图形神经顺序差分方程，熟练地解决了误乘签名的信息的局限性。我们提出的解决方案具有灵活性和效率。为了证实其效率，我们将设计的策略无缝地整合到三个杰出的基于图的动态建模框架中：图形神经常规微分方程，图形神经控制的微分方程和图复发的神经网络。严格的评估包括来自物理和生物学的三种动态场景，以及四个真实现实世界流量数据集的审查。的经验结果非常优于基准的三重奏，强调了我们所提出的方法促进的实质性增强。我们的代码可以在https://github.com/beautyonce/sgode上找到。
签名的图形神经差分方程用于建模连续时间动力学
主要关键词
相关文件推荐
