論文の概要: A Novel Gravity-Quasi-Laplacian Approach to Identifying Influential Nodes in Complex Networks
- arxiv url: http://arxiv.org/abs/2607.23419v1
- Date: Sun, 26 Jul 2026 02:34:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.097205
- Title: A Novel Gravity-Quasi-Laplacian Approach to Identifying Influential Nodes in Complex Networks
- Title（参考訳）: 複雑ネットワークにおける流入ノードの同定のための新しい重力-クアシ-ラプラシアンアプローチ
- Abstract要約: 本研究では,準ラプラシアン構造測度と重力に着想を得たアグリゲーションプロセスを統合する新しいランキングフレームワークを提案する。
提案手法は、調整可能なパラメータ、解釈可能、計算効率が無く、小さな固定重力半径しか必要としないように設計されている。
- 参考スコア（独自算出の注目度）: 12.209536487880513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying influential nodes in complex networks is a fundamental challenge with broad applications in areas such as social network analysis, communication infrastructure, transportation systems, and information networks. Existing ranking methods typically rely on combinations of structural features-such as degree, k-shell index, and neighborhood connectivity-to estimate a node's importance. However, many of these approaches suffer from key limitations, including insufficient accuracy, low resolution in distinguishing nodes with similar influence, dependence on tunable parameters, and high computational complexity, which restrict their practicality in large-scale or real-world networks. This study introduces a new ranking framework that integrates a quasi-Laplacian structural measure with a gravity-inspired aggregation process. The core idea is to construct a strengthened representation of each node's structural role using only simple yet informative attributes-namely degree and k-shell index-and then evaluate its local influence through a short-range interaction mechanism. The proposed approach is designed to be free of tunable parameters, interpretable, and computationally efficient, requiring only a small fixed gravity radius (R=3), which makes it suitable for large and diverse networks. Experiments conducted on nine real-world networks and compared against eight state-of-the-art methods demonstrate that the proposed framework consistently outperforms existing techniques in terms of accuracy, resolution, and computational simplicity. These results highlight the effectiveness of the gravity-quasi-Laplacian paradigm as a reliable and scalable tool for 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特定は、ソーシャルネットワーク分析、通信インフラ、交通システム、情報ネットワークなどの分野における幅広い応用において、根本的な課題である。
既存のランキング法は通常、ノードの重要性を推定するために、次数、kシェルインデックス、近隣接続性といった構造的特徴の組み合わせに依存している。
しかし、これらのアプローチの多くは、不十分な精度、類似した影響を持つノードを区別する低解像度化、チューナブルパラメータへの依存、大規模または現実世界のネットワークにおけるそれらの実用性を制限する高い計算複雑性といった重要な制限に悩まされている。
本研究では,準ラプラシアン構造測度と重力に着想を得たアグリゲーションプロセスを統合する新しいランキングフレームワークを提案する。
中心となる考え方は、単純な属性名とk-shellインデックスのみを用いて各ノードの構造的役割の強化された表現を構築し、短距離相互作用機構を通じてその局所的影響を評価することである。
提案手法は、調整可能なパラメータ、解釈可能、計算効率のないように設計されており、大きく多様なネットワークに適した小さな固定重力半径(R=3)しか必要としない。
9つの実世界のネットワークで実施された実験と8つの最先端の手法を比較した結果、提案手法は精度、解像度、計算の単純さで既存の手法を一貫して上回っていることが示された。
これらの結果は、複雑なネットワークにおける影響ノードを特定するための信頼性とスケーラブルなツールとして、重力-準ラプラシアンパラダイムの有効性を強調している。
関連論文リスト
- Renormalization Group Guided Tensor Network Structure Search [58.0378300612202]
ネットワーク構造探索(TN-SS)は、高次元データ表現における効率的なテンソル分解のための最適なネットワークトポロジとランクロバスト性を自動的に発見することを目的としている。
RGTN(Renormalization Group Guided Network Search)は、TN-SSを変換する物理に着想を得たフレームワークである。
論文 参考訳（メタデータ） (2025-12-31T06:31:43Z) - Contrastive clustering based on regular equivalence for influential node identification in complex networks [10.538045764554019]
ReCCは、影響のあるノード識別のための新しい非教師なしフレームワークである。
ネットワーク再構成損失を使用して事前トレーニングを行い、コントラストとクラスタリングの損失を組み合わせた微調整を行う。
大規模な実験により、ReCCはいくつかのベンチマークで最先端のアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2025-08-30T09:34:39Z) - Critical Nodes Identification in Complex Networks: A Survey [18.35145044797889]
本稿では,重要なノード識別技術について概観する。
それらは、固有の、クリティカルノード削除問題、影響、ネットワーク制御、人工知能、高次および動的メソッドの7つの主要なクラスに分類される。
これは、動的ネットワークにおけるアルゴリズム的、リアルタイム評価、高次構造の解析、大規模ネットワークにおける計算効率などの重要な課題を特定する。
論文 参考訳（メタデータ） (2025-07-08T16:45:48Z) - Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks [54.366995393644586]
実世界は通常、影響のあるノード識別の時間と精度のバランスに高い要求がある。
本稿では,複雑ネットワークに影響を及ぼすためのコスト効果型コミュニティ階層型相互投票方式を提案する。
提案手法は、時間複雑性と影響ノード同定の精度のバランスに関する16の最先端技術より優れている。
論文 参考訳（メタデータ） (2024-09-21T06:32:28Z) - Sifting out communities in large sparse networks [2.666294200266662]
大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。
この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。
数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
論文 参考訳（メタデータ） (2024-05-01T18:57:41Z) - Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳（メタデータ） (2023-11-21T20:45:55Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - DANI: Fast Diffusion Aware Network Inference with Preserving Topological
Structure Property [2.8948274245812327]
そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。
DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
論文 参考訳（メタデータ） (2023-10-02T23:23:00Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳（メタデータ） (2021-08-15T10:13:49Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z)
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。