論文の概要: Understanding mobility in networks: A node embedding approach
- arxiv url: http://arxiv.org/abs/2111.06161v1
- Date: Thu, 11 Nov 2021 11:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 19:56:54.273527
- Title: Understanding mobility in networks: A node embedding approach
- Title（参考訳）: ネットワークにおけるモビリティの理解:ノード埋め込みアプローチ
- Authors: Matheus F. C. Barros, Carlos H. G. Ferreira, Bruno Pereira dos Santos,
Louren\c{c}o A. P. J\'unior, Marco Mellia, Jussara M. Almeida
- Abstract要約: 本稿では,ネットワーク内のノード移動度をモデル化し,解析する手法を提案する。
本手法は,移動および接続パターンにおけるノードの重要性をモデル化し,明らかにするノード埋め込み手法に基づいている。
その結果,本手法は様々な移動パターンと接続パターンを抽出するためのリッチな表現を提供することがわかった。
- 参考スコア（独自算出の注目度）: 2.674824747094243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by the growing number of mobile devices capable of connecting and
exchanging messages, we propose a methodology aiming to model and analyze node
mobility in networks. We note that many existing solutions in the literature
rely on topological measurements calculated directly on the graph of node
contacts, aiming to capture the notion of the node's importance in terms of
connectivity and mobility patterns beneficial for prototyping, design, and
deployment of mobile networks. However, each measure has its specificity and
fails to generalize the node importance notions that ultimately change over
time. Unlike previous approaches, our methodology is based on a node embedding
method that models and unveils the nodes' importance in mobility and
connectivity patterns while preserving their spatial and temporal
characteristics. We focus on a case study based on a trace of group meetings.
The results show that our methodology provides a rich representation for
extracting different mobility and connectivity patterns, which can be helpful
for various applications and services in mobile networks.
- Abstract（参考訳）: メッセージの接続や交換が可能なモバイルデバイスが増えている中で,ネットワーク内のノード移動をモデル化し,分析することを目的とした手法を提案する。
文献における既存のソリューションの多くは、ノードの接触グラフを直接計算したトポロジカルな測定に依存しており、ネットワークのプロトタイピング、設計、配置に有用な接続性とモビリティパターンの観点からノードの重要性を捉えることを目的としている。
しかしながら、各測度はその特異性を持ち、最終的に時間とともに変化するノードの重要性の概念を一般化することができない。
従来のアプローチとは異なり,本手法は,モビリティとコネクティビティパターンにおけるノードの重要性をモデル化し,公開するノード埋め込み手法に基づいている。
グループミーティングの痕跡に基づくケーススタディに注目した。
提案手法は,モバイルネットワークにおける様々なアプリケーションやサービスに有用な,さまざまなモビリティや接続パターンを抽出するためのリッチな表現を提供する。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Automatic Discovery of Visual Circuits [66.99553804855931]
本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。
提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
論文 参考訳（メタデータ） (2024-04-22T17:00:57Z) - Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks [51.54002032659713]
ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。
MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。
我々の手法は過去の方法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-22T14:29:03Z) - TIDE: Time Derivative Diffusion for Deep Learning on Graphs [31.01454180524729]
グラフニューラルネットワークの顕著なパラダイムは、メッセージパッシングフレームワークに基づいている。
本フレームワークでは,近隣ノード間のみの情報通信を実現する。
本稿では,時間微分グラフ拡散(TIDE)に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-12-05T18:42:55Z) - Topic-aware latent models for representation learning on networks [5.304857921982132]
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。
提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
論文 参考訳（メタデータ） (2021-11-10T08:52:52Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Mutually exciting point process graphs for modelling dynamic networks [0.0]
相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。
MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。
このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
論文 参考訳（メタデータ） (2021-02-11T10:14:55Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Multi-View Dynamic Heterogeneous Information Network Embedding [3.8093526291513347]
MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。
提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。
本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2020-11-12T12:33:29Z) - Temporal Network Representation Learning via Historical Neighborhoods
Aggregation [28.397309507168128]
本稿では,EHNAアルゴリズムによる埋め込みを提案する。
まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。
次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
論文 参考訳（メタデータ） (2020-03-30T04:18:48Z) - Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-02-27T18:26:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。