May, 2019

从零开始学习识别高介数中心节点：一种新的图神经网络方法

PDF
TL;DR本文提出了一种基于 encoder-decoder 框架及 pairwise ranking loss 方法的学习算法，用于在大规模网络中快速且精确地鉴定 betweenness centrality 高的节点，与同类算法相比，具有较高的速度和准确性。
betweenness centralitynetwork analysisencoder-decoderranking losslarge-scale networks
发现论文，激发创造
  • 基于归纳图神经网络的大型网络节点中心度估计

    我们重新定义了 Closeness Centrality（CC）和 Betweenness Centrality（BC）节点排序问题，提出了 CNCA-IGE 模型，它是一个基于归纳图神经网络的编码器 - 解码器模型，用于基于指定的 CC 或 BC 指标对节点进行排序。我们在各种规模的合成和现实网络上评估了我们的方法，并实验证明 CNCA-IGE 模型在降低执行时间和提高性能方面优于现有基线模型。

    Mar, 2024

  • 使用图神经网络（GNN）对交通网络中的图进行边缘排名

    该文章提出一种基于图神经网络的边缘排序方法，用于评估不同边缘连接的重要性，并在大规模网络中表现出高效和准确的性能，此方法特别适用于城市基础设施的改进、电力和水资源网络的弹性分析以及工程网络的资源分配优化。

    Mar, 2023

  • 时间中介中的算法问题

    研究时变图中各种概念下的最优时空路径，发现计算其顶点之间的中心度具有可计算与难以计算的不同情况，其计算复杂度与所选的最优路径概念相关，是社交网络分析中常用的一种有用工具。

    Jun, 2020

  • 社交网络中的介数中心性相关性

    研究了不同类型的无标度网络及其节点之间的度度相关性和中心性之间的关系，发现在社交网络中主要存在的同配网络中，节点之间的中心性与较高影响力的节点周围的环境没有明显的关联。

    Oct, 2002

  • ONBRA: 时态网络中时间介数中心性的严格估计

    本文提出了 ONBRA 算法作为第一种基于抽样的近似算法，用来计算带有时间信息网络中节点的时间介数中心性，为减少计算代价带来质量保证。

    Mar, 2022

  • 无需了解连接的核心性评估

    本篇研究采用差分隐私技术，成功实现在不泄露各分布式社交网络内部连接信息的情况下，多个不信任方计算节点的自我中心介数中心度量，实验结果在 Facebook 网络上具有实际可行性。

    May, 2020

  • 大规模计算经典亲密中心性

    本文提出了一种高度可扩展的算法，用于在图中估计所有节点的经典接近度中心性，并针对出站和入站中心性的概括，提出了有效的算法，并在大型网络上进行了广泛实验，证明了其高可扩展性和准确性。

    Aug, 2014

  • 复杂网络中的交流介数

    本文提出一种介于最短路径过程和全路径通信过程之间的网络节点介数度量，并通过实验结果表明该度量可以比现有度量更好地描述复杂网络中的节点敏感性和生物信息传递。

    May, 2009

  • 利用因果意识图神经网络预测动态图中的时序中心度

    利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。

    Oct, 2023

  • 通过添加链接提高节点的中介中心性

    本文考虑如何通过有限数量的新边缘与节点相连以增加节点的居间度量。我们研究了最大化某个节点的居间度量和排名的问题，并提出了一种简单的贪婪法近似算法，以及一种用于更新节点居间度量的动态算法。我们的算法大大提高了节点的居间性和排名，并在多个真实网络中表现出竞争的基线。

    Feb, 2017