論文の概要: A graph neural network based on feature network for identifying influential nodes

• arxiv url: http://arxiv.org/abs/2508.01278v1
• Date: Sat, 02 Aug 2025 09:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.802856
• Title: A graph neural network based on feature network for identifying influential nodes
• Title（参考訳）: 特徴ネットワークに基づく影響ノード同定のためのグラフニューラルネットワーク
• Authors: Yanmei Hu, Siyuan Yin, Yihang Wu, Xue Yue, Yue Liu,
• Abstract要約: 本稿ではFNGCNと略される特徴ネットワークに基づくグラフ畳み込みネットワークフレームワークを提案する。 浅いGCNと深いGCNをFNGCNフレームワークに取り込むことで、2つのFNGCNを開発する。 実験の結果,FNGCNとFNGCNは比較した手法よりも精度の高いノードを同定できることがわかった。
• 参考スコア（独自算出の注目度）: 6.536533643444211
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying influential nodes in complex networks is of great importance, and has many applications in practice. For example, finding influential nodes in e-commerce network can provide merchants with customers with strong purchase intent; identifying influential nodes in computer information system can help locating the components that cause the system break down and identifying influential nodes in these networks can accelerate the flow of information in networks. Thus, a lot of efforts have been made on the problem of indentifying influential nodes. However, previous efforts either consider only one aspect of the network structure, or using global centralities with high time consuming as node features to identify influential nodes, and the existing methods do not consider the relationships between different centralities. To solve these problems, we propose a Graph Convolutional Network Framework based on Feature Network, abbreviated as FNGCN (graph convolutional network is abbreviated as GCN in the following text). Further, to exclude noises and reduce redundency, FNGCN utilizes feature network to represent the complicated relationships among the local centralities, based on which the most suitable local centralities are determined. By taking a shallow GCN and a deep GCN into the FNGCN framework, two FNGCNs are developed. With ground truth obtained from the widely used Susceptible Infected Recovered (SIR) model, the two FNGCNs are compared with the state-of-art methods on several real-world networks. Experimental results show that the two FNGCNs can identify the influential nodes more accurately than the compared methods, indicating that the proposed framework is effective in identifying influential nodes in complex networks.
• Abstract（参考訳）: 複雑なネットワークにおける影響ノードの同定は非常に重要であり、実際に多くの応用がある。 例えば、eコマースネットワークにおける影響力のあるノードの発見は、商店に強力な購入意図を与えることができる。コンピュータ情報システムにおける影響力のあるノードの特定は、システムの故障の原因となるコンポーネントの特定に役立ち、ネットワーク内の影響力のあるノードの特定は、ネットワーク内の情報の流れを加速させる。 このようにして、影響力のあるノードをインデントする問題に多くの取り組みがなされている。 しかし、従来の取り組みではネットワーク構造の1つの側面のみを考慮するか、あるいはノードの特徴として高い時間を消費するグローバルな中心性を用いるかのどちらかであり、既存の手法では異なる中心性間の関係を考慮していない。 これらの問題を解決するために、FNGCN(グラフ畳み込みネットワークを以下に示すテキストでGCNと略す)と略す特徴ネットワークに基づくグラフ畳み込みネットワークフレームワークを提案する。 さらに、FNGCNは、雑音を排除し、冗長性を低減するために、特徴ネットワークを用いて、最も適切な局所集中度を決定する局所集中度間の複雑な関係を表現する。 浅いGCNと深いGCNをFNGCNフレームワークに取り込むことで、2つのFNGCNを開発する。 この2つのFNGCNは、広く使われているSIRモデルから得られた基底真理により、いくつかの実世界のネットワークにおける最先端の手法と比較される。 実験の結果,両FNGCNは比較手法よりも高精度に影響ノードを識別でき,複雑なネットワークにおける影響ノードの同定に有効なフレームワークであることが示唆された。

関連論文リスト

• Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
  本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。 機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。 ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T18:44:56Z)
• 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)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• 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)
• Identifying Influential Nodes in Two-mode Data Networks using Formal Concept Analysis [0.0]
  Bi-face (BF) は、2モードネットワークにおける重要なノードを特定するための新しい二部集中度測定である。 オフ・ザ・シェルフ中心性指数とは違って、あるノードが隣り合うノードに粘着的サブ構造がどう影響するかを双斜線で定量化する。 いくつかの実世界および合成ネットワークに関する実験は、既存の顕著な二分極集中度よりもBFの効率が良いことを示す。
  論文  参考訳（メタデータ） (2021-09-07T23:57:05Z)
• Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks [1.213512753726579]
  ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。 本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。 4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-19T04:16:18Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• 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)
• Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
  クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。 本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。 提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-02-18T04:30:43Z)
• Feature-Attention Graph Convolutional Networks for Noise Resilient Learning [20.059242373860013]
  本稿では,ノイズの多いノード内容のネットワークを扱うための特徴注意グラフ畳み込み学習フレームワークであるFA-GCNを提案する。 実験と検証、すなわち異なるノイズレベルは、FA-GCNがノイズのないネットワークとノイズのないネットワークの両方で最先端の手法よりも優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2019-12-26T02:51:55Z)

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。