Oct, 2016

网络的基于特征的分类

PDF
TL;DR描述和演示了一个新的、混合方法，结合了对潜在特征的手动选择与现有的自动分类方法，并使用随机森林等方法进行分类，该方法在特征共线性存在时具有特别的实用性，实现了更高的准确性、更短的计算时间和更大的网络分类结果的可解释性。
network representationsstructural building blocksclassificationrandom forestsinterpretability
发现论文，激发创造
  • 基于动态特性的图分类特征

    该研究提出了一种基于特征的新方法来进行网络分类，通过在网络上的动态特征进行分类，并在人类大脑网络上进行了实证研究，结果表明该方法具有优异的性能。

    May, 2017

  • 机器学习与应用中的特征网络方法

    机器学习中的特征网络是连接具有相似性的学习任务中的特征的图形表示，通过充分利用傅里叶分析和函数分析中的函数操作，可以轻松生成新的特征，应用于机器学习中的图形化卷积神经网络扩展到具有不同深度或复杂度特征的分层表示，并讨论了使用特征网络工程化新特征以提高模型的表达能力。

    Jan, 2024

  • 网络分类和归类

    本文是第一篇对网络类别（如社交网络和网页图形）进行大规模研究以确定它们是否互不相同（使用实际网络和合成图形的两个类别）的论文。使用随机森林分类器在真实和合成网络中实现了 94.2％的分类准确度。本研究发现：不同领域的实际网络具有独特的结构属性，可高精度地预测任意网络的类别；将合成网络分类是很容易的，因为我们的模型可以轻松地区分出合成网络和它们应该模拟的真实世界网络。

    Sep, 2017

  • 通过中尺度同调特征对加权网络进行分类

    本研究介绍了利用代数拓扑学所衍生出的持久同调来研究网络结构的一种新方法，区别于传统基于局部特征的图论度量方法，提出了一种基于团的循环构建，将 14 个常见带权网络模型分为四类并探讨了其结构主题，最后与三种类别进行比较分析了真实网络的持续同调分析结果。

    Dec, 2015

  • 社交网络中的节点分类

    本文旨在回顾用于标记传播的分类技术，主要包括基于传统分类器迭代应用的图特征方法和通过随机游走传播现有标签的方法，并着重说明两种方法类似之处。此外，我们也讨论了节点分类的相关扩展和方向。

    Jan, 2011

  • 关系数据的神经网络

    该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。

    Aug, 2019

  • 从结构属性预测图分类

    论文研究网络分类问题，使用实际网络和人工生成的图模型，证明不同领域的复杂网络有着独特的结构属性，并能够使用少量简单的结构属性予以预测其类别。

    May, 2018

  • 高维生物数据上的特征选择网络 FsNet

    本文提出了一种名为 FsNet 的 DNN 基于非线性特征选择方法，针对高维度和小样本数据。实验结果显示，该方法在多个真实的生物数据集上表现出较高的有效性。

    Jan, 2020

  • 揭示自然和社会的复杂网络重叠社区结构

    本文介绍了一种分析交织在一起的重叠社区的方法，以揭示复杂网络的模块化结构。经过定义一组新的特征量进行统计分析，发现网络中的重叠显著，并揭示出网络的普遍特征。通过对合作，词汇关联和蛋白质相互作用图的研究表明，社区网络具有非平凡的相关性和特定的比例关系。

    Jun, 2005

  • 网络结构推断综述：动机、方法与应用

    本文综述了现有的从数据中推断网络的方法，探讨了构建网络表示、针对不同领域的问题和任务、以及通过验证策略来测量推断网络的能力等问题。

    Oct, 2016