本文从统计学角度研究了网络采样和子图统计中的几个问题,提出了一些估算方法,并给出了理论与实验结果。
Feb, 2018
本文提出了一种新的算法 Waddling Random Walk(WRW),用于估计任意大小的图相对浓度,并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集,该算法在速度、精度和准确性方面都优于当前最先进的挖掘子图统计算法。
May, 2016
分析几何网络模型,提出了节点在点阵上排列的概念,并对 3 和 4 节点子图进行分析,发现许多真实世界的网络模式不仅仅是受到几何模型的影响,而是被选择为具有定义信息处理功能的基本电路元件。
Sep, 2004
本文提出了一种基于随机游走的框架,通过优化技术和收集样本来估算任何规模的图形统计数据,并取得了在准确性和时间成本方面都优于现有技术的效果。
Mar, 2016
使用小子图的观察频率之间的关系,提出了一种基于三节点子图频率的社区结构存在简单检验方法,该方法能够在网络引导模型的零假设下,显示出渐近正态的检验统计量,并在纠正度量复合备选假设下具有接近于一的功率,此外,该方法亦可用于多元高斯数据的检验,并应用于社交网络、科学文章的引用网络和标普 500 公司之间的股票回报率的检测。
Oct, 2017
本文发展了时态网络模体的概念以及一个计算方法。结果表明不同领域的网络拥有显著不同的模体计数,同一领域的网络则有类似的模体计数,不同的模体发生在不同的时间尺度上。
Dec, 2016
本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案,利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述,揭示了一个自然的对策,实现了一致的双样本测试。本文还证明,对于某些网络统计量,所提出的测试是最小最优的。
May, 2017
本文介绍一种基于三路径采样和特殊剪枝技术的采样算法,可准确估算所有 4 个顶点模式子图的频率,并在容易实现和计算效率上优于传统枚举和采样算法。
Nov, 2014
GNNS 是一种基于图神经网络的新型表示学习框架,可以高效地采样子图并估算其频率分布,达到与现有方法相当的准确性和显著的加速效果。
Jul, 2022
通过组合图神经网络、顺序嵌入空间和高效搜索策略,Subgraph Pattern Miner (SPMiner) 实现了在大型目标图中近似查找频繁子图模式,并相较于现有方法和可能的神经替代方案具有更高准确性、更快速度和更好的可扩展性。
Feb, 2024