論文の概要: Vital Node Identification in Complex Networks Using a Machine
Learning-Based Approach
- arxiv url: http://arxiv.org/abs/2202.06229v1
- Date: Sun, 13 Feb 2022 06:54:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:13:17.634335
- Title: Vital Node Identification in Complex Networks Using a Machine
Learning-Based Approach
- Title（参考訳）: 機械学習を用いた複雑ネットワークにおけるバイタルノード同定
- Authors: Ahmad Asgharian Rezaei, Justin Munoz, Mahdi Jalili, Hamid Khayyam
- Abstract要約: 本稿では,重要なノード識別のための機械学習に基づくデータ駆動手法を提案する。
主な考え方は、グラフのごく一部、すなわち0.5%のノードでモデルをトレーニングし、残りのノードで予測を行うことである。
いくつかの機械学習モデルはノード表現に基づいて訓練されるが、最高の結果はRBFカーネルを備えたサポートベクトル回帰マシンによって達成される。
- 参考スコア（独自算出の注目度）: 12.898094758070474
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Vital node identification is the problem of finding nodes of highest
importance in complex networks. This problem has crucial applications in
various contexts such as viral marketing or controlling the propagation of
virus or rumours in real-world networks. Existing approaches for vital node
identification mainly focus on capturing the importance of a node through a
mathematical expression which directly relates structural properties of the
node to its vitality. Although these heuristic approaches have achieved good
performance in practice, they have weak adaptability, and their performance is
limited to specific settings and certain dynamics. Inspired by the power of
machine learning models for efficiently capturing different types of patterns
and relations, we propose a machine learning-based, data driven approach for
vital node identification. The main idea is to train the model with a small
portion of the graph, say 0.5% of the nodes, and do the prediction on the rest
of the nodes. The ground-truth vitality for the train data is computed by
simulating the SIR diffusion method starting from the train nodes. We use
collective feature engineering where each node in the network is represented by
incorporating elements of its connectivity, degree and extended coreness.
Several machine learning models are trained on the node representations, but
the best results are achieved by a Support Vector Regression machine with RBF
kernel. The empirical results confirms that the proposed model outperforms
state-of-the-art models on a selection of datasets, while it also shows more
adaptability to changes in the dynamics parameters.
- Abstract（参考訳）: バイタルノード識別は、複雑なネットワークにおいて最も重要なノードを見つける問題である。
この問題は、バイラルマーケティングや、現実世界のネットワークにおけるウイルスや噂の伝播の制御など、様々な文脈において重要な応用がある。
既存のバイタルノード同定のアプローチは主に、ノードの構造的特性とその活力を直接関連付ける数学的表現を通して、ノードの重要性を捉えることに焦点を当てている。
これらのヒューリスティックなアプローチは実際は優れたパフォーマンスを実現しているが、適応性は弱く、パフォーマンスは特定の設定や特定のダイナミクスに限定されている。
異なる種類のパターンや関係を効率的に捉えるための機械学習モデルの力に着想を得て,バイタルノード識別のための機械学習ベースのデータ駆動アプローチを提案する。
主な考え方は、グラフのごく一部、すなわち0.5%のノードでモデルをトレーニングし、残りのノードで予測を行うことである。
列車ノードから始まるSIR拡散法をシミュレートすることにより、列車データに対する地中信頼度を算出する。
ネットワークの各ノードは、接続性、程度、拡張されたコアネスの要素を組み込むことで表現される。
いくつかの機械学習モデルはノード表現に基づいて訓練されるが、最高の結果はRBFカーネルを備えたサポートベクトル回帰マシンによって達成される。
実験結果は,提案モデルがデータセットの選択において最先端モデルよりも優れており,動的パラメータの変化への適応性も高いことを示した。
関連論文リスト
- Impact of network topology on the performance of Decentralized Federated
Learning [4.618221836001186]
分散機械学習は、インフラストラクチャの課題とプライバシの懸念に対処し、勢いを増している。
本研究では,3つのネットワークトポロジと6つのデータ分散手法を用いて,ネットワーク構造と学習性能の相互作用について検討する。
モデル集約時の希釈効果に起因する周辺ノードから中心ノードへの知識伝達の課題を強調した。
論文 参考訳（メタデータ） (2024-02-28T11:13:53Z) - Tipping Points of Evolving Epidemiological Networks: Machine
Learning-Assisted, Data-Driven Effective Modeling [0.0]
適応型感受性感染症(SIS)疫学ネットワークのチップポイント集団動態を,データ駆動型機械学習支援方式で検討した。
複素実効微分方程式(eSDE)を物理的に有意な粗い平均場変数で同定する。
本研究では, 頻繁な現象の統計を, 繰り返しブルート力シミュレーションと, 確立された数学的・計算ツールを用いて研究する。
論文 参考訳（メタデータ） (2023-11-01T19:33:03Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳（メタデータ） (2023-05-22T13:48:30Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。
我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。
3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2022-07-22T02:06:53Z) - Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。
本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。
このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
論文 参考訳（メタデータ） (2021-11-08T20:56:37Z) - Uniting Heterogeneity, Inductiveness, and Efficiency for Graph
Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。
GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。
本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文 参考訳（メタデータ） (2021-04-04T23:31:39Z) - 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) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。