Jun, 2020

挖掘不断演化网络中的持久活动

HTML
PDF
TL;DR在不断演变的网络中，提出了通过挖掘时间持续的活动（称为活动片段）来研究网络演化特征的方法，并设计了PENminer算法进行实现。在实验中发现了许多有趣的现象，同时，在多个网络中进行异常检测实验时，超过了现有的方法。
发现论文，激发创造
  • 监督随机游走: 在社交网络中预测和推荐链接

    本研究提出了一种基于监督随机游走的算法，结合网络结构和节点/边缘级属性信息进行边缘强度估计，并在 Facebook 社交图和大型协作网络上得到了验证。

    Nov, 2010

  • COEVOLVE:信息传播与网络协同演化的联合点过程模型

    该研究通过COEVOLVE模型研究信息传播和网络演化的动态，通过历史数据进行参数学习，证明该模型能够准确预测实际网络传播模式。

    Jul, 2015

  • 演化网络中的时间模式挖掘

    本研究旨在利用时间模式挖掘技术，在不作任何先验假设的情况下，基于观测到的网络快照，探测和表征演化网络在时间上的变化，并从中提取有价值和潜在有用的知识。

    Sep, 2017

  • 动态属性网络中使用链接和内容随时间生成嵌入

    提出一种名为 Chimera 的共享因式分解模型，通过同时分析网络中的链接、内容和时间，检测和预测不断变化的社群。

    Jul, 2018

  • F-FADE：边缘流异常检测的频率分解方法

    提出了一种名为F-FADE的新方法，该方法使用一种新颖的频率分解技术有效地建模节点对之间交互频率的时变分布，从而检测边流中的异常，并在在线流设置中处理多种具有时态和结构变化的异常，同时仅需要恒定的存储空间。

    Nov, 2020

  • 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

  • 协调在线行为的时间动态：稳定性、原型和影响力

    该研究针对协调在线行为进行了第一次动态分析，发现动态分析可以得出更为准确的结果，用户的离开和加入以及网络特性对协调社区的形成有重要影响，这为在线辩论、协调社区的策略和在线影响的研究提供了新的方向。

    Jan, 2023

  • 连续时间图表示与序贯生存过程

    在过去的二十年中，图形的表示学习方法有了巨大的增长，具有多个应用领域，包括生物信息学、化学和社会科学。然而，目前的动态网络方法侧重于离散时间网络，或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题，我们提出了一种依赖于生存函数的新型随机过程，用于建模链接的持续时间和它们在一段时间内的缺失。我们将这一方法应用于最近的连续时间动态潜在距离模型，并在链接预测和网络完成等各种下游任务中进行量化评估，证明这一开发的建模框架很好地追踪了潜在空间中节点的内在轨迹，并捕捉了演化网络结构的潜在特征。

    Dec, 2023

  • 频繁子图挖掘的表示学习

    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

  • 重复感知邻居采样用于动态图学习

    本文介绍了RepeatMixer模型，该模型通过考虑邻居采样策略和时间信息学习，学习源节点和目标节点的第一和高阶邻域序列的时间模式，进而提高了链接预测任务中的性能。

    May, 2024