无需了解连接的核心性评估
提出了一种用于计算节点自我中心介数中心性的新协议,其中相关边缘信息分布在两个彼此不信任的电信提供商之间,并在实际的图形数据集上提供了实用的相对误差率,同时提供了强大的隐私保障。
Jan, 2019
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
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。
May, 2019
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
本文研究了复杂网络在节点和边受到攻击的响应。通过计算平均反向测地线长度和最大连接子图的大小,数值地研究了几种复杂网络模型和科学合作以及互联网流量这些现实网络的性能。通过对初始网络或在去除过程中当前网络重新计算度和中介中心性,使用了四种去除策略,发现所使用的重新计算攻击策略往往比基于初始网络的攻击策略更具有破坏性。最后,还研究了复杂网络中介中心性和度之间的相关性
Feb, 2002
本文研究共同作者网络的微观网络特性,并采用中心性度量对影响力进行分析,发现 4 种中心性度量与引用次数显著相关,证明中心性度量可以是衡量影响力的有用指标。
Dec, 2010
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
该论文研究了九种中心度量如何与不同合成和现实网络中的疾病和传言传播的节点的扩散能力相关,并提出了一种随机游走可达性的新中心度量。研究结果表明,在非空间网络中,k - 核心和度中心度量与流行病传播最相关,而平均邻域度,紧密中心度和可达性则与谣言传播最相关,而在空间网络中,可达性度量在几乎所有情况下优于其余中心度量。
Apr, 2014
通过多成员节点聚类算法,结合网络结构和用户个人信息,自动识别和组织社交网络中的朋友圈,并能够检测出重叠和分层嵌套朋友圈,实验结果证明该模型能够准确地识别 Facebook、Google + 和 Twitter 等多种社交媒体数据的朋友圈。
Oct, 2012