【CIKM2024教程】高效的时间图学习：算法、框架与工具

主要观点总结

本文介绍了最新的具备数据效率和资源效率的TGNN算法、框架和工具，探讨了时间图学习领域的挑战和前景。文章分为四部分，包括背景与动机、数据高效的时间图学习、资源高效的TGNNs和开放问题与挑战。

关键观点总结

关键观点1: 介绍TGNN算法、框架和工具

文章系统地介绍了时间图神经网络（Temporal Graph Neural Networks, TGNNs）的算法、框架和工具，这些都是在数据效率和资源效率方面具备最新的技术。

关键观点2: 探讨时间图学习领域的挑战

文章指出了在时间图学习领域中的数据效率和资源效率的挑战，并讨论了如何在保持有效性的前提下尽量减小资源消耗。

关键观点3: 文章结构

文章分为四部分，包括背景与动机、数据高效的时间图学习、资源高效的TGNNs和开放问题与挑战，每一部分都有具体的内容介绍。

关键观点4: 数据派THU的介绍

文章最后介绍了数据派THU的相关信息，包括其作为数据科学类公众号的活动、背靠的清华大学大数据研究中心等。

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 本教程系统地介绍了最新的具备数据效率和资源效率的TGNN算法、框架和工具，并探讨了在高效时间图学习领域中一些具有前景但尚未充分研究的方向。 信息和知识管理国际会议 (CIKM : The Conference on Information and Knowledge Management) 是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域顶级学术会议之一。会议主要涉及人工智能、数据科学、数据库、信息检索和知识管理等领域。CIKM' 24于2024年10月21日至25日在美国爱达荷州举行。 时间图通过时间边捕捉动态的节点关系，在时间变化模式至关重要的广泛领域中得到了广泛应用。时间图神经网络（Temporal Graph Neural Networks, TGNNs）由于其在表示时间图方面的有效性，受到了广泛关注。然而，TGNNs在现实世界的低资源环境中仍面临显著的效率挑战。 首先，从数据效率 ………………………………