Temporal network embedding framework with causal anonymous walks representations

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

25 августа 2026 г.

Исследователи ВШЭ сравнили рекомендательные алгоритмы по правилам спортивного турнира

Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали подход, который помогает эффективнее подбирать рекомендательные алгоритмы. В нем разные методы попарно соревнуются, а по результатам всех поединков составляется общий рейтинг. Это помогает сократить число алгоритмов, которые нужно проверять при разработке новых сервисов, и сэкономить денежные и временные ресурсы.Исследование было представлено на 32-й конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026).

20 августа 2026 г.

<a>Исследователи НИУ ВШЭ и Сбера научили нейросети лучше угадывать предпочтения пользователей

Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».

19 августа 2026 г.

Ученые ВШЭ разработали алгоритм, позволяющий производить более надежные процессоры для ЦОД

Ученые из МИЭМ ВШЭ и Самарского университета создали алгоритм LRF-3D для автоматического обхода неработающих узлов в трехмерных сетях на кристалле. Благодаря своей иерархической организации он превосходит аналоги по быстродействию и точности пути, повышая надежность процессоров для использования в ЦОД, суперкомпьютерах и ИИ-вычислениях. Исходные коды алгоритмов и тестов опубликованы в открытом доступе.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Temporal network embedding framework with causal anonymous walks representations

PeerJ Computer Science. 2022. Vol. 8. Article e858.

Макаров И. А., Савченко А. В., Arseny K., Leonid S., Nikita Severin, Киселёв Д. А., Aleksandr M., D. B.

Язык: английский

DOI

PSIICOS projection optimality for EEG and MEG based functional coupling detection

Алтухов Д. И., Клеева Д. Ф., Осадчий А. Е., Neuroimage 2023 Vol. 280 Article 120333

Добавлено: 24 сентября 2023 г.

1st Symposium on Algorithmic Foundations of Dynamic Networks (SAND 2022, March 28–30, 2022, Virtual Conference)

Schloss Dagstuhl – Leibniz-Zentrum für Informatik, Dagstuhl Publishing, 2022.

Добавлено: 29 апреля 2022 г.

Temporal network embedding framework with causal anonymous walks representations

Макаров И. А., Савченко А. В., Arseny Korovko и др., PeerJ Computer Science 2022 Vol. 8 Article e858

Many tasks in graph machine learning, such as link prediction and node classification, are typically solved using representation learning. Each node or edge in the network is encoded via an embedding. Though there exists a lot of network embeddings for static graphs, the task becomes much more complicated when the dynamic (i.e., temporal) network is analyzed. ...

Добавлено: 20 января 2022 г.

Temporal Bibliographic Networks

Батагель В., Мальцева Д. В., Journal of Informetrics 2020 Vol. 14 No. 1 P. 1–14

We present two ways (instantaneous and cumulative) to transform bibliographic networks, using the works’ publication year, into corresponding temporal networks based on temporal quantities. We also show how to use the addition of temporal quantities to define interesting temporal properties of nodes, links and their groups thus providing an insight into evolution of bibliographic networks. ...

Добавлено: 22 октября 2019 г.

Stability and Similarity in Networks Based on Topology and Nodes Importance

Алескеров Ф. Т., Швыдун С. В., , in: Studies in Computational Intelligence* 1. Vol. 812: Complex Networks and Their Applications VII.: Springer, 2019. P. 94–103.

We propose a model that evaluates how much a network has changed over time in terms of its structure and a set of central elements. The difference of structure is evaluated in terms of node-to-node influence using known nodes correspondence models. To analyze the changes in nodes centralities we adapt an idea of interval orders ...

Добавлено: 4 декабря 2018 г.

An algebraic approach to temporal network analysis based on temporal quantities

Батагель В., PRAPROTNIK S., Social Network Analysis and Mining 2016 Vol. 6 No. 1 P. 1–22

Добавлено: 1 ноября 2018 г.

Spectral centrality measures in temporal networks

Батагель В., Praprotnik S., Ars Mathematica Contemporanea 2016 Vol. 11 No. 1 P. 11–33

Добавлено: 1 ноября 2018 г.