21CIKM:Understanding Event Predictions via Contextualized Multilevel Feature Learning论文笔记

模型任务

21CIKM:Understanding Event Predictions via Contextualized Multilevel Feature Learning论文笔记_第1张图片
对模型方法不多做介绍,该工作重点是解释方法。其解释方法实质上与GNNExplainer一致。可参考
19NIPS:GNNExplainer: Generating Explanations for Graph Neural Networks阅读笔记

数据集:

ZZ活动数据集:
X=某地活动(游行、抗议etc.)的时间序列,Y=该地是否爆发新的活动(游行、抗议)
新冠数据集:
X=某地活动(集会、节日etc.)的时间序列,Y=该地是否爆发新一轮疫情

备注:

  1. 该任务处理的实际上是一个经典的GNN,输入1、2都可以视为节点特征。
  2. 该任务的解释方式和GNN Explainer实质上是一样的,解释1、2分别对应着特征和节点的标注。
  3. 将一个时间在一段时间内发生的频率初始化事件节点。事实上也是一个静态的网络。(对时间的标注不能具体到特定时间节点)

你可能感兴趣的:(深度学习,人工智能,神经网络)