Feb, 2024

基于人工智能方法的信息传播网络重要节点的识别

PDF
TL;DR本研究采用先进的人工智能方法，提出了一种综合方法来识别信息传播网络中的关键节点。我们将决策试验和评估实验室方法与全局结构模型相结合，创建了一种协同模型，能够有效捕捉网络中的局部和全局影响。该方法应用于各种复杂网络，例如社交、运输和通信系统，并利用全局网络影响数据集进行分析。我们的分析突出了这些网络的结构动态和弹性，揭示了节点连通性和社区形成的见解。研究结果表明，我们基于人工智能的方法在提供全面理解网络行为方面非常有效，对于战略性网络分析和优化具有重要贡献。
发现论文，激发创造
  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • DANI：具有保存拓扑结构属性的快速扩散感知网络推断

    通过利用扩散信息和马尔可夫转移矩阵，本研究提出了一种名为 DANI 的新方法来推断社交网络的基本结构，并保留其结构特性，实验证明 DANI 在准确性和运行时间方面优于其他网络推断方法。

    Oct, 2023

  • 为未来引文预测建立动态异构图和节点重要性模型

    提出了一种基于动态异构图和节点重要性网络学习框架的方法来预测新发表论文的未来引用趋势，采用动态异构网络嵌入模块、节点重要性嵌入模块和对数正态分布来进行多面的论文节点表示和联合预测，通过实验证实该方法显著优于目前最先进的方法。

    May, 2023

  • 推断扩散和影响的网络

    通过识别节点的信息传播时间和感染情况，我们开发了一种有效的方法来追踪信息在网络中的扩散路径和网络，可以近似地解决 NP 难问题并应用于 170 万个博客和新闻文章，发现信息传播网络具有核心 - 边际结构。

    Jun, 2010

  • 多角度增强记忆网络用于社交网络中关键节点的识别

    提出了一种新的多角度记忆增强网络 (Multi-perspective Memory Enhanced Network, MMEN) 来识别社交网络中的关键节点，从多个角度挖掘关键节点并利用记忆网络存储历史信息，综合考虑用户属性和传播结构的两个传播网络的节点影响，以选择最终的关键节点，实验证明该方法明显优于以前的方法。

    Mar, 2024

  • 学习增强状态策略用于通信网络中的信息路由

    本文研究了大规模通信网络中的信息路由问题，提出了一种基于图神经网络架构的状态扩展策略以最大化源节点的信息聚合，并利用节点的局部信息高效地将所需信息路由到目标节点，通过无监督学习过程将图神经网络输出转化为最优信息路由策略，实验证明该方法在 GNN 参数化训练方面相比基准算法具有改进的性能。

    Sep, 2023

  • 利用图注意力网络和强化学习分析以优化网络效率和可扩展性的以太坊网络信息传播

    该研究提出了一种创新方法，利用图卷积网络（GCNs）分析以太坊网络中的信息传播模式，通过开发结合图注意力网络（GAT）和强化学习（RL）的模型以优化网络效率和可扩展性，从而实现信息在网络中的有效传播，优化区块处理的燃气限制并提高网络效率。

    Nov, 2023

  • 面向下一代超级卫星网络的人工智能技术

    本文介绍了应用 AI 技术进行集成陆地卫星网络，特别是超大型卫星网络通信。文章详细介绍了超大型卫星网络的独特功能和与其集成到当前通信基础设施中同时出现的挑战。此外，文章提供了有关通信链的各个层面的最先进的 AI 技术的见解。

    Jun, 2022

  • 基于异构节点特征和交互规则的数字孪生导向的复杂网络系统

    使用可扩展的建模框架提出了数字孪生导向的复杂网络系统，以生成真实系统的网络。通过节点的特征和交互规则来创建连接，实验结果表明结构和动力学的复杂性水平影响网络增长和流行病传播，应针对具有优先特征的节点制定灾难恢复策略和流行病控制。

    Aug, 2023

  • 优化数字孪生网络的实数据驱动网络评估模型

    基于实际网络数据，本文提出了一种基于自动编码器的跳连接消息传递神经网络（AE-SMPN）作为网络评估模型，通过利用图神经网络（GNN）与循环神经网络（RNN）模型捕捉网络数据的时空特征，并且使用自动编码器（AE）提取初始特征。该神经网络是使用巴塞罗那神经网络中心（BNN-UPC）提供的真实 DTN 数据集进行训练的，本文还提供了模型结构的分析和实验结果。

    May, 2024