論文の概要: Identifying critical nodes in complex networks by graph representation learning

• arxiv url: http://arxiv.org/abs/2201.07988v1
• Date: Thu, 20 Jan 2022 03:41:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:51:41.090591
• Title: Identifying critical nodes in complex networks by graph representation learning
• Title（参考訳）: グラフ表現学習による複雑ネットワーク上の臨界ノードの同定
• Authors: Enyu Yu, Duanbing Chen, Yan Fu, Yuanyuan Xu
• Abstract要約: 影響は臨界ノードの採掘における主要な問題の一つである。 IMGNNは、ネットワーク内のノードの集中度を入力とし、最適な初期スプレッドラー内のノードを出力とするグラフ学習フレームワークである。 IMGNNは、ヒトベースのアルゴリズムよりも、固定感染規模で初期スプレッドラーのサイズを最小化するのに効率的である。
• 参考スコア（独自算出の注目度）: 2.304938062591095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Because of its wide application, critical nodes identification has become an important research topic at the micro level of network science. Influence maximization is one of the main problems in critical nodes mining and is usually handled with heuristics. In this paper, a deep graph learning framework IMGNN is proposed and the corresponding training sample generation scheme is designed. The framework takes centralities of nodes in a network as input and the probability that nodes in the optimal initial spreaders as output. By training on a large number of small synthetic networks, IMGNN is more efficient than human-based heuristics in minimizing the size of initial spreaders under the fixed infection scale. The experimental results on one synthetic and five real networks show that, compared with traditional non-iterative node ranking algorithms, IMGNN has the smallest proportion of initial spreaders under different infection probabilities when the final infection scale is fixed. And the reordered version of IMGNN outperforms all the latest critical nodes mining algorithms.
• Abstract（参考訳）: その幅広い応用により、臨界ノードの同定はネットワーク科学のミクロレベルにおいて重要な研究テーマとなっている。 影響最大化はクリティカルノードマイニングの主要な問題の1つであり、通常ヒューリスティックスで処理される。 本稿では,深層グラフ学習フレームワーク IMGNN を提案し,それに対応するトレーニングサンプル生成方式を設計する。 このフレームワークは、ネットワーク内のノードの集中度を入力とし、最適な初期スプレッドラー内のノードを出力とする確率を出力とする。 多数の小さな合成ネットワークをトレーニングすることにより、IMGNNは、固定感染規模で初期スプレッドラーのサイズを最小限に抑える上で、人間ベースのヒューリスティックよりも効率的である。 1つの合成および5つの実ネットワークの実験結果は、従来の非定位ノードランキングアルゴリズムと比較して、IMGNNは最終感染規模が固定された場合、感染確率の異なる初期スプレッダーの比率が最小であることを示している。 IMGNNの再注文版は、最新のクリティカルノードマイニングアルゴリズムよりも優れています。

関連論文リスト

• Reducing Oversmoothing through Informed Weight Initialization in Graph Neural Networks [16.745718346575202]
  本稿では,ノードやグラフの分類タスクにおいて,過度なスムース化を抑える新しいスキーム(G-Init)を提案する。 以上の結果から,新しい手法(G-Init)は深部GNNの過剰なスムース化を低減し,その有効利用を促進することが示唆された。
  論文  参考訳（メタデータ） (2024-10-31T11:21:20Z)
• Improving Critical Node Detection Using Neural Network-based Initialization in a Genetic Algorithm [3.5877750256097465]
  CNP-1aの主な目的は、ネットワークから限られた数のノードを削除した後、残りのネットワークにおけるペアワイズ接続を最小限にすることである。 CNP-1aを解く効率を改善するために、K2GAという知識誘導型遺伝的アルゴリズムが提案されている。 提案した知識誘導型遺伝的アルゴリズムの有効性は,26の実世界の複雑なネットワーク上での実験により検証された。
  論文  参考訳（メタデータ） (2024-02-01T07:53:25Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• ResNorm: Tackling Long-tailed Degree Distribution Issue in Graph Neural Networks via Normalization [80.90206641975375]
  本稿では,正規化によるGNNの性能向上に焦点をあてる。 グラフ中のノード次数の長期分布を調べることにより、GNNの新しい正規化法を提案する。 ResNormの$scale$操作は、尾ノードの精度を向上させるために、ノード単位の標準偏差(NStd)分布を再設定する。
  論文  参考訳（メタデータ） (2022-06-16T13:49:09Z)
• Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
  無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。 従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-05-22T08:01:47Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• ImGAGN:Imbalanced Network Embedding via Generative Adversarial Graph Networks [19.45752945234785]
  グラフ上の不均衡な分類は、不正なノード検出など、多くの現実世界のアプリケーションでは至るところで困難である。 グラフ上の不均衡な分類問題に対処するため,ImGAGNと呼ばれる生成逆グラフネットワークモデルを提案する。 提案手法は, 半教師付き不均衡ノード分類タスクに対して, 最先端のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-05T06:56:37Z)
• Graph neural network based approximation of Node Resiliency in complex networks [1.629817296011086]
  大規模複雑ネットワークにおけるノードレジリエンスを近似するためのグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。 提案フレームワークは、ノードの小さな代表部分集合上のノードランクを学習するGNNモデルを定義する。 このフレームワークのスケーラビリティは,実世界のグラフにおけるノードランクの予測を通じて実証される。
  論文  参考訳（メタデータ） (2020-12-26T05:37:18Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。