Vital Spreaders Identification in Complex Networks with Multi-Local Dimension
重要节点的识别一直是该问题的研究热点。针对这一问题,人们提出了多种中心性度量方法,但大多数方法都有其局限性。为了更有效地解决这一问题,本文提出了一种基于分形特性的多局部维数(MLD)来识别重要传播者。所提出的方法考虑包含在盒子中的信息,并且$q$为该分区信息起加权系数的作用。不同$q$值的MLD有不同的表达式,当$q = 1$和$q = 0$分别退化为局部信息维和局部维的变体,这两种方法都是识别影响节点的有效方法。因此,MLD将是一个更一般的方法,可以退化到一些现有的中心性措施。此外,与经典方法不同的是,具有低MLD的节点将在网络中更重要。本文通过比较方法和实际复杂网络的计算结果验证了该方法的有效性和合理性。实验结果表明了该方法的优越性。
2019-09-30 cs.GR cs.SI
Identifying vital nodes through augmented random walks on higher-order networks
本文提出融合高阶二分图与成对图的多阶图表示及高阶增广随机游走(HoRW)模型,有效缓解经典中心性的局部化问题,在关键节点识别、信息传播最大化和网络拆解等任务中优于传统方法。
2023-12-03 cs.SI physics.soc-ph stat.CO
Vital node identification in hypergraphs via gravity model
超图可以描述两两边之外的相互作用,已经成为复杂系统中多元关系建模的合适表示。随着超图研究的兴起,如何利用超图的高阶结构定义中心性度量成为超图中心性问题研究的热点。在本文中,我们提出了一种新的中心性方法(HGC)的基础上的重力模型,以及半本地HGC(LHGC),可以实现准确性和计算复杂度之间的平衡。同时,两个综合评价指标,即,首先提出了一个超图中的复杂传染模型,该模型模拟了传播过程中的群体影响,并基于节点之间的高阶距离提出了网络的S-效率,以评估我们的方法的有效性。结果表明,我们的方法可以过滤掉具有快速传播能力的节点,并且在超图连通性方面是至关重要的。
2022-08-09 cs.SI physics.soc-ph
Bayesian Graph Neural Network for Fast identification of critical nodes in Uncertain Complex Networks
在寻求提高效率的过程中,相互依赖性和复杂性正在成为代表工程和自然系统的现代复杂网络的定义特征。图论是一种广泛使用的框架,用于建模这样的复杂网络,并评估其鲁棒性中断。特别地,图中的关键节点/链路的识别可以促进图(系统)鲁棒性的增强并且表征系统性能的关键因素。大多数现有的关键节点识别方法是基于一个迭代的方法,探索每个节点/链接的图。这些方法具有高的计算复杂性,并且所得到的分析是网络特定的。此外,与底层图形模型相关联的不确定性进一步限制了这些传统方法的潜在价值。为了克服这些挑战,我们提出了一个贝叶斯图神经网络为基础的节点分类框架,计算效率高,系统地结合了不确定性。不是利用观察到的图来训练模型,而是基于观察到的拓扑和节点目标标签来计算图的MAP估计。此外,蒙特卡罗(MC)辍学算法被纳入考虑到认知的不确定性。仿真结果表明,贝叶斯框架提供的保真度和计算复杂性的增益。
2021-05-17 cs.LG cs.SI
Group Vitality Indices: Axioms and Algorithms
University of Warsaw(华沙大学)
本文研究群体活力指数,探讨其公理化定义及计算方法,提出两种满足额外规范条件的指数,并分析其计算特性。
2026-05-10 cs.GT cs.SI
RiWalk: Fast Structural Node Embedding via Role Identification
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);Jilin University(吉林大学)
在网络中执行不同功能的节点具有不同的角色,并且这些角色可以从网络的结构中收集。学习节点角色的潜在表示有助于理解网络并在网络之间传递知识。然而,大多数现有的结构嵌入方法遭受高计算和空间成本或依赖于启发式特征工程。在这里,我们提出RiWalk,一个灵活的范例学习结构节点表示。它将结构嵌入问题分解为角色识别过程和网络嵌入过程。通过角色识别,建立了保持结构依赖的根核,以更好地集成网络嵌入方法。为了证明RiWalk的有效性,我们分别开发了两种不同的角色识别方法RiWalk-SP和RiWalk-WL,并采用基于随机游走的网络嵌入方法。网络内分类任务的实验表明,我们提出的算法实现了与其他基线相当的性能,同时是一个数量级更有效。此外,我们还进行跨网络的角色分类任务。研究结果显示了结构嵌入在迁移学习中的潜力。RiWalk还具有可扩展性,使其能够捕获大型网络中的结构角色。
2019-10-15 cs.LG cs.SI
Addressing Time Bias in Bipartite Graph Ranking for Important Node Identification
Shenzhen University(深圳大学)
网络中的排序问题的目标是根据选定的标准将节点从最好到最差进行排序。在这项工作中,我们专注于根据其质量对节点进行排名。二分网络中节点的排序问题在实际应用中有着重要的价值。例如,可以在网上商店推广高质量的产品,或者在场地评论平台上吸引更多的人。然而,许多经典的排名算法都有一个共同的缺点:它们倾向于将旧电影的排名高于新电影,尽管一些新电影可能具有高质量。这种时间偏差源于这样一个事实,即网络中较老的节点往往比较新的节点拥有更多的连接。在这项研究中,我们开发了一种使用再平衡方法的排名方法,以减少时间偏差的二分图的排名。
2019-11-28 cs.LG cs.SI
Boundary Degree as a Node-level Feature for Epidemic Scenario Identification in Agent-based Cascade Simulations
Biocomplexity Institute(生物复杂性研究所)
提出边界度作为节点级级联特征,通过消融实验证明其单独提升场景识别准确率19%,并理论证明无边界或边信息时某些场景不可区分。
2026-07-07 cs.LG cs.SI
Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
真实网络数据集为理解诸如信息扩散或网络演化等现象提供了显著的益处。然而,共享真实的图形数据集所带来的隐私风险,即使在剥离用户身份信息的情况下,也是巨大的。当节点具有关联属性时,隐私风险增加。在本文中,我们定量研究的二进制节点属性对节点隐私的影响,采用基于机器学习的重新识别攻击,并探讨图拓扑结构和属性放置之间的相互作用。我们的实验表明,人口的多样性的二元属性一致降低匿名性。
2018-08-31 cs.SI physics.soc-ph
Dismantling Complex Networks by a Neural Model Trained from Tiny Networks
我们能否使用一个神经模型来有效地分解许多复杂而独特的网络?本文给出了肯定的回答。现实世界中的各种系统可以抽象为复杂网络,每个网络都由许多功能节点和边组成。逾渗理论表明,仅仅删除几个重要节点就可能导致整个网络的崩溃。然而,找到最少数量的这样的重要节点是一个相当具有挑战性的任务,大型网络,由于其NP-硬度。以往的研究提出了许多中心性措施和启发式算法来解决这个网络拆除(ND)问题。与他们不同的是,本文试图通过设计一个神经模型来实现ND任务,该神经模型可以从微小的合成网络中训练,但将应用于各种真实世界的网络。乍一看,这似乎是一个令人沮丧的任务,因为不同的现实世界网络的网络大小和拓扑结构是完全不同的。尽管如此,这篇文章还是开始了设计和训练神经影响力排名模型(NERO)的富有洞察力的努力。在15个真实网络上的实验验证了它的有效性,与最先进的竞争对手相比,它需要更少的关键节点来拆除网络。其成功的关键在于,除了我们在训练数据集构建中的创新标记方法外,我们的NERGY可以有效地编码局部结构和全局拓扑信号以进行节点排名。
2022-08-16 cs.SI
Distributed Identification of Central Nodes with Less Communication
研究了利用贴近中心度进行复杂网络中心节点的分布式检测。在网络分析中,贴近中心性起着至关重要的作用。准确评估接近中心性需要对网络有完整的了解;对于大型网络,这可能效率低下,因此应该近似接近中心性。分布式任务如领袖选举可以有效地利用高度中心化节点的中心性信息,但完整的网络信息在本地是不可用的。本文通过修剪几乎肯定不是最中心的节点来改进You等人[24]的分布式中心性计算算法。例如,在一个大型网络中,离开节点不能发挥中心作用。这导致减少了为确定剩余节点的中心性而交换的消息的数量。我们的研究结果表明,我们的方法减少了网络中包含许多prunable节点的消息的数量。我们的研究结果还表明,减少消息的数量可能
2021-06-26 cs.SI
Uncertainty-Aware Fuzzy Centrality Measures for Influential Node Identification: A Structural Modeling Approach Toward E-Commerce Applications
Shiraz University(设拉子大学)
本文提出一种考虑不确定性的模糊中心性度量,用于识别影响节点,通过结构建模方法应用于电子商务场景。
2026-04-26 cs.SI
Temporal Gravity Model for Important Nodes Identification in Temporal Networks
重要节点识别是网络科学的核心任务之一,对于分析网络结构、理解网络动态过程具有重要意义。大多数现实世界的系统是时变的,可以很好地表示为时间网络。受物理学中经典引力模型的启发,我们提出了一个时间引力模型来识别时间网络中的影响节点。重力模型中的两个关键要素是物体的质量和两个物体之间的距离。在时间引力模型中,我们将节点视为对象,将节点的基本属性,如静态属性和时间属性,视为节点的质量。我们定义时间距离,即,最快到达距离和时间最短距离,作为我们模型中两个节点之间的距离。我们利用我们的模型以及基线中心性的重要节点识别方法。在10个真实数据集上的实验结果表明,时间重力模型在量化节点结构影响方面优于基线方法。此外,当我们使用时间最短距离作为两个节点之间的距离时,我们的模型是鲁棒的,并且与基线方法相比,在量化节点传播影响方面表现最好。
2020-07-04 cs.SI physics.soc-ph
Identification of influential nodes in network of networks
网络的网络(NON)研究的重点是研究现实世界中普遍存在的n个相互依赖的网络的性质。识别网络中的影响节点具有重要的理论和实际意义。然而,基于传统的方法很难描述NON的结构特性。本文提出了一种基于证据理论的网络中影响节点识别的新方法。该方法可以融合网络组件之间的各种关系,构建一个综合的相似性网络。相似度大的节点是网络中有影响力的节点。实验结果表明,该方法是合理的,具有一定的实用价值
2015-01-23 cs.SI physics.soc-ph
Identification of hybrid node and link communities in complex networks
复杂网络中社团的识别已经成为分析复杂系统的有效手段。它在社会科学、工程学、生物学和医学等不同领域有着广泛的应用。节点社区和链路社区是网络结构分析的两种常用方法。然而,这些计划有固有的缺点,往往不足以正确地捕捉在真实的网络复杂的组织结构。我们介绍了一种新的方案和有效的方法来识别复杂的网络结构,使用混合的节点和链接社区,称为混合节点链接社区。我们的方法的一个核心部分是一个概率模型,可容纳节点,链接和混合节点链接社区。我们在各种真实世界的网络上进行了大量的实验,包括一个大型的蛋白质-蛋白质相互作用网络和一个大型的常用词语义关联网络,表明混合社区的方案在揭示网络特征方面具有优越性。此外,新的方法优于现有的方法分别找到节点或链接社区。
2013-09-18 cs.SI physics.soc-ph
Infection Spreading and Source Identification: A Hide and Seek Game
感染源节点的目标(例如,谣言或计算机病毒源)传播其感染到尽可能多的节点,同时对网络管理员保持隐藏。另一方面,网络管理员旨在基于哪些节点已被感染的知识来识别源节点。我们将感染传播和源识别问题建模为一个策略博弈,其中感染源和网络管理员是两个参与者。由于乔丹中心估计是一个极大极小源估计,已被证明是强大的,在最近的作品,我们假设,网络管理员利用源估计策略,可以探测任何节点在给定的半径内的乔丹中心。给定任何估计策略,我们为源设计最佳响应感染策略。给定任何感染策略,我们为网络管理员设计了一个最佳响应估计策略。我们推导出策略博弈的纳什均衡存在的条件。在合成网络和真实网络中的仿真表明,我们提出的感染策略感染更多的节点,同时保持相同的安全裕度之间的真实源节点和约旦中心源估计。
2015-10-30 cs.SI
Structural-Aware Key Node Identification in Hypergraphs via Representation Learning and Fine-Tuning
针对传统方法难以建模超图高阶交互的问题,提出融合自编码器、HGNN 预训练与主动学习微调的 AHGA 框架,在八个超图上显著提升关键节点识别效果。
2025-07-28 cs.SI
Preventing active re-identification attacks on social graphs via sybil subgraph obfuscation
本文讨论了隐私保护社交图发布背景下的主动重识别攻击。主动攻击是指对手可以利用虚假账户的攻击,也就是sybil节点,以实施可用于在匿名图上重新识别其受害者的结构模式。在本文中,我们提出了一种新的概率解释这种类型的攻击。与以前的隐私属性,其模型的保护,从积极的对手的任务,使受害者节点无法区分的指纹方面的所有潜在的攻击者,我们的新配方引入了一个更完整的视图,其中的攻击是反击联合防止攻击者检索的sybil节点集,并使用这些sybil节点重新识别受害者。根据新的配方,我们表明,隐私属性$k$对称性,在被动攻击的背景下,提供了一个充分条件,防止主动重新识别攻击利用任意数量的sybil节点。此外,我们表明,算法K-匹配,最初设计用于有效地执行相关概念的$k$ -自同构,也保证$k$ -对称性。几个集合的合成图的实证结果证实,我们的方法允许,第一次,发布匿名的社交图(与正式的隐私保证),有效地抵御最强的主动重新识别攻击在文献中报道,即使它利用了大量的sybil节点。
2020-07-10 cs.SI
Learning Graph Filters for Structure-Function Coupling based Hub Node Identification
Department of Electrical and Computer Engineering, Michigan State University(电气与计算机工程系,密歇根州立大学)
针对传统脑枢纽节点识别方法忽略结构-功能耦合的问题,提出基于图信号处理的GraFHub框架,通过学习多项式图滤波器系数,结合结构连接与功能激活识别枢纽,在模拟和HCP静息态fMRI数据上完成评估。
2024-10-22 cs.LG cs.SI q-bio.NC
Identification of Authoritative Nodes and Dismantling of Illicit Networks Using a Novel Metric for Measuring Strength of a Graph
本文针对网络瓦解中强度度量忽视人类感知的问题,提出一种融合结构属性与人类感知的新型图强度度量,并通过实验证明其在识别权威节点和瓦解合成及真实网络方面优于传统方法。
2025-07-17 cs.SI
NISQ-ready community detection based on separation-node identification
LMU Munich(慕尼黑大学);Aqarios GmbH(Aqarios有限公司);University of Bayreuth(拜罗伊特大学);Delft University of Technology(代尔夫特理工大学)
本文提出一种基于分离节点识别的NISQ就绪量子社区检测方法,通过仅需与节点数相同的量子比特和稀疏QUBO矩阵,显著降低硬件需求,并在实验中验证了其可行性。
2023-06-24 cs.LG cs.SI physics.soc-ph
Contrastive clustering based on regular equivalence for influential node identification in complex networks
College of Computer and Cyber Security(计算机与网络安全学院);Chengdu University of Technology(成都理工大学);School of Artificial Intelligence(人工智能学院);Jilin University(吉林大学);School of Computer Science(计算机科学学院);Fudan University(复旦大学)
针对复杂网络影响力节点识别中监督方法依赖标注、现有对比学习方法局限的问题,提出基于正则等价性的无监督对比聚类框架ReCC,通过结构相似度构建样本对、结合多损失训练,在多个基准上性能超越现有最优方法。
2025-08-30 cs.AI cs.SI
Analyzing Community-aware Centrality Measures Using The Linear Threshold Model
瞄准复杂网络中有影响力的节点可以加强或阻止谣言,流行病和停电。由于社区在现实世界的网络中很普遍,社区感知的中心性度量利用这些信息来定位有影响力的节点。研究表明,它们与对社区结构不可知的经典措施相比毫不逊色。虽然扩散过程是最重要的,以前的研究主要考虑著名的易感-感染-传播(SIR)的流行病传播模型。这项工作调查的一致性,以前的分析使用流行的线性阈值(LT)传播模型,在我们的现实生活中,许多传播过程的特点。我们对13个真实网络中7个有影响力的社区感知中心性指标进行了比较分析。总体而言,结果表明,社区为基础的调解人,通信中心性和模块化的活力优于其他措施。此外,社区调解员在预算紧张的情况下更有效(即,初始激活节点的一小部分),而通信中心性和模块化活力在初始激活节点的中到高部分的情况下表现更好。
2022-01-30 cs.SI
Spectral Efficiency Centrality: An Efficient Spectral Approach for Influential Node Identification in Temporal Networks
National Institute of Technology, Srinagar(斯利那加国家技术学院)
针对现有频谱节点移除方法仅适用于静态网络的问题,提出时序频谱中心性框架 SEC 及高效近似方法 ASEC,经多组真实数据集实验验证,二者在三类扩散模型下识别时序网络关键节点的性能优于基线指标。
2026-08-17 cs.SI
Identification of important nodes in the information propagation network based on the artificial intelligence method
Trine University(特莱恩大学);Arizona State University(亚利桑那州立大学)
本文融合DEMATEL与GSM提出AI协同模型,并基于GNID识别跨领域复杂网络的关键节点,以揭示结构动态并支持网络分析优化。
2024-02-29 cs.AI cs.SI
Weighted cycle-based identification of influential node groups in complex networks
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络空间安全学院)
本文提出加权环(WCycle)指标,融合环结构与边权重识别分散多样的关键节点群,以降低影响力冗余,并在六个真实网络实验中验证其优于五种基准方法的传播效率、结构区分度和成本效益。
2025-03-15 cs.IT cs.SI math.IT
Influencer identification in dynamical complex systems
许多现实世界的复杂系统的完整性和功能性都取决于一小部分关键节点或影响者。在不同的背景下,这些影响者被定义为维持网络连通性的结构重要节点,或者可以不成比例地影响某些动态过程的动态关键单元。在实践中,识别给定系统中的最佳影响者集在各种学科中具有深远的意义。在这篇综述中,我们从不同的角度综述了影响者识别研究的最新进展,并提出了针对不同目标设计的最先进的解决方案。特别地,我们首先讨论找到最少数量的节点的问题,这些节点的移除会破坏网络(即,最优渗透或网络拆除问题),然后调查方法以定位能够用连续(例如,独立级联模型)或不连续的相变(例如,阈值模型)。最后,我们总结了一个总结和展望。
2019-08-29 cs.SI physics.soc-ph
Diffusion Source Identification on Networks with Statistical Confidence
University of Virginia(弗吉尼亚大学)
网络扩散源识别在谣言控制和病毒识别等广泛的应用中具有重要意义。虽然这个问题最近受到了极大的关注,但大多数研究都只关注非常严格的设置,缺乏更现实的网络的理论保证。我们引入了一个统计框架的研究扩散源识别和发展的置信集推理方法的假设检验的启发。我们的方法有效地产生了一个小的节点子集,它可证明覆盖源节点与任何预先指定的置信水平,没有限制性的假设网络结构。此外,我们提出了多个Monte Carlo策略的推理过程的基础上,网络拓扑结构和概率属性,显着提高了可扩展性。据我们所知,这是第一个扩散源识别方法,在一般网络上有实际有用的理论保证。我们通过对众所周知的随机网络模型和城市之间关于COVID-19传播的移动网络进行广泛的合成实验来证明我们的方法。
2021-06-17 cs.LG cs.SI stat.ML
Critical Nodes Identification in Complex Networks: A Survey
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络科学与技术学院)
本文综述了复杂网络中关键节点识别的七大类技术,系统评估了各方法的优势与局限,并指出了算法通用性、动态网络实时评估及高阶结构分析等关键挑战与未来方向。
2025-09-14 cs.AI cs.SI physics.app-ph
Important node identification for complex networks based on improved Electre Multi-Attribute fusion
本文提出SK-E方法,通过改进Electre多属性决策融合局部与全局指标,获得最优权重以识别复杂网络中的重要节点,并在六个真实网络上通过SIR、独立级联和约束效率实验验证了其优越性。
2024-11-22 cs.SI
Identification of influencers in complex networks by local information dimensionality
复杂网络中有影响力传播者的识别是网络特性研究中的一个热点问题。已经提出了许多中心性措施来解决这个问题,但大多数都有局限性。提出了一种基于局部信息维数的复杂网络影响者识别方法。该方法考虑了中心节点周围的局部结构特性,因此,局部性的尺度仅增加到距中心节点的最短距离的最大值的一半。因此,该方法考虑了准局部信息,降低了计算复杂性。用Shannon熵来描述盒子中的信息(节点数),更合理。当节点的局部信息维数较高时,节点的影响力更大。为了证明该方法的有效性,使用五种现有的中心性度量作为比较方法,对六个现实世界复杂网络中的有影响力的节点进行排名。此外,一个易感感染(SI)模型和肯德尔的tau系数被用来显示不同方法之间的相关性。实验结果表明了该方法的优越性。
2019-10-06 cs.SI physics.soc-ph
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络,我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而,组成网络的节点具有不同的传播能力,这受到许多因素的制约,而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性,根据相邻节点的多样性定义了改进的H指标中心度(IH),然后利用累积中心度(MC)将所有相邻节点考虑在内,提出了扩展的混合H指标中心度(EMH)。我们评估所提出的方法的易感性-感染-扩散(SIR)模型和单调性,这是用来评估的准确性和分辨率的方法,分别。实验结果表明,该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
CSBA-Net: Learning Cross-Scale Structural Dependencies for Influential Node Identification in Complex Networks
LIRE Laboratory of Constantine 2, University of Mila(米拉大学 LIRE 实验室);LISI laboratory of Mila, University of Mila(米拉大学 LISI 实验室)
该研究提出CSBA-Net跨尺度结构双向门控循环单元注意力网络,结合多尺度结构表示与特定神经网络架构,在24个真实及12个人工网络上的实验表明其有影响力节点排序性能优于多种基线方法。
2026-10-13 cs.SI
Scaling Expected Force: Efficient Identification of Key Nodes in Network-based Epidemic Models
本文针对期望力中心性计算成本高的问题,提出两种并行可扩展算法,并通过GPU实现将计算规模扩展至4400万条边的网络,实现最高300倍加速。
2023-06-01 cs.DS cs.SI
A Composite Centrality Measure for Improved Identification of Influential Users
近年来,识别社交网络用户的传播能力并根据其影响力对其进行排名的问题引起了人们的广泛关注;为此目的,已经提出了不同的方法。这些方法中的大多数依赖于图中节点及其邻居的拓扑位置,以提供估计用户传播能力的度量。其中最著名的测度之一是k-shell,在此基础上又提出了其他测度,但由于同一k-shell指标可能被分配给不同度的节点,因此该测度的准确性较低。本文试图改进这一点,提出了一种复合中心性度量,它结合了节点的度和k壳指数。在各种真实和人工网络上的实验结果和评估表明,该措施优于其他国家的最先进的措施的单调性和准确性。
2021-11-08 cs.SI
Identification of intrinsic long-range degree correlations in complex networks
许多现实世界的网络都表现出被多个步长分隔的节点之间的度-度相关性。这种远程度相关性(LRDC)可以完全描述为一个联合和四个条件概率分布,相对于度的两个随机选择的节点和它们之间的最短路径距离。虽然LRDC是由相邻节点之间的最近邻度相关性(NNDC)引起的,但有些网络具有内在的LRDC,而NNDC不能产生。在这里,我们开发了一种方法来提取内在的LRDC在相关的网络,通过比较的概率分布为给定的网络与最近邻相关的随机网络。我们还证明了我们的方法的实用性,将其应用到几个现实世界的网络。
2020-01-30 cs.SI physics.soc-ph
Influencers identification in complex networks through reaction-diffusion dynamics
网络科学、营销研究和创新扩散理论中的一个关键思想是,一小群节点--被称为影响者--对网络中的社会传染和流行过程具有最大的影响。尽管在社会经济和生物网络的影响者识别问题的长期利益,还没有达成协议,这是最好的识别策略。最先进的策略通常基于启发式中心性度量或仅适用于特定网络拓扑或特殊动态机制的分析参数。在这里,我们利用最近引入的随机游走有效距离-一个拓扑度量,几乎完美地估计网络上扩散扩散过程的到达时间-引入一个新的中心性度量,它量化了一个节点与其他节点的接近程度。我们发现,新的中心性指标显着优于国家的最先进的指标,在检测全球传染过程的影响。我们的研究结果揭示了网络有效距离对影响者识别的重要作用,并使我们更接近问题的最优解。
2018-11-14 cs.SI physics.soc-ph
Task-Guided Pair Embedding in Heterogeneous Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Yahoo! Research(雅虎研究院);Pohang University of Science and Technology (POSTECH)(浦项科技大学)
异构网络嵌入方法解决的许多现实任务可以归结为对两个节点之间的成对关系的可能性建模。例如,作者识别任务的目标是对论文由作者撰写的可能性(论文-作者成对关系)进行建模。现有的任务引导嵌入方法是以节点为中心的,因为它们简单地测量节点嵌入之间的相似性以计算两个节点之间的成对关系的可能性。然而,我们认为,对于任务引导的嵌入,关键是要专注于直接建模的成对关系。在本文中,我们提出了一种新的异构网络中的任务引导对嵌入框架,称为TaPEm,它直接建模与特定任务相关的一对节点之间的关系(例如,作者身份识别中的论文-作者关系)。为此,我们1)建议在其相关上下文路径的指导下学习一对嵌入,即,所述对之间的节点序列,以及2)设计所述对有效性分类器以区分所述对相对于手头的特定任务是否有效。通过引入捕获成对关系背后的语义的成对嵌入,我们能够学习两个节点之间的细粒度成对关系,这对于任务引导的嵌入方法至关重要。作者识别任务的大量实验表明,TaPEm优于国家的最先进的方法,特别是对作者很少的出版记录。
2019-08-29 cs.CL cs.LG cs.SI
Identification of Community Structures in Networks Employing a Modified Divisive Algorithm
本文提出一种结合模块度得分Q与分裂算法的新算法,用于更高效地识别网络社区结构,仿真结果显示其划分的Q得分略优于传统方法。
2025-04-14 cs.SI
Multiple Infection Sources Identification with Provable Guarantees
如果网络中出现了级联的后果,即在流行病爆发或谣言/蠕虫/病毒传播后出现了一组“受感染”的节点$V_I$,我们如何推断级联的来源?解决这个具有挑战性的问题对于计算机取证,漏洞分析和风险管理至关重要。尽管最近对这个问题的兴趣,大多数现有的工作只集中在单一的源检测或简单的网络拓扑结构,例如树或网格。在本文中,我们提出了一种新的方法来识别感染源,通过搜索一个种子集$S$,最小化之间的级联从$S$和$V_I$,给定的一组受感染的节点的\emph{symmetric difference}。我们的主要结果是一个近似算法,称为SISI,以确定感染源\emph{without the prior knowledge on the number of source nodes}。据我们所知,SISI是第一个用\emph{provable guarantee}算法解决一般图问题的算法。它返回具有高概率的$\frac{2}{(1-ε)^2}Δ$近似解,其中$Δ$表示$V_I$中可能感染网络中单个节点的最大节点数。我们在真实网络上的实验显示了我们的方法和SISI在检测真实源方面的优越性,将F1度量从最先进的NETSLEUTH的几个参数提高到大约50%。
2016-08-23 cs.SI
Identification of Source of Rumors in Social Networks with Incomplete Information
大型社交网络中的谣言源识别近来受到了极大的关注。最近的作品处理的规模的问题,通过观察网络中的节点,称为传感器,估计源的子集。本文解决了在大型社交网络中定位谣言来源的问题,其中一些传感器节点已经失败。我们使用双非负(DN)矩阵完成和压缩感知技术估计传感器的缺失信息。然后,通过使用我们之前开发的最大似然估计器,在新浪微博的大数据集上,将其用于识别实际来源。结果表明,估计技术的结果几乎一样好的性能的ML估计的网络,其中完整的信息是可用的。据我们所知,这是第一个在社交网络中不完全信息源识别的研究工作。
2015-09-02 cs.SI
Identification of highly susceptible individuals in complex networks
在传播过程中识别高易感个体对控制疫情具有重要意义。在本文中,我们探讨了易感性的人在易感染恢复(SIR)和谣言传播动力学。我们首先研究社区结构对人们易感性的影响。尽管在相同的感染率下,社区结构可以减少感染种群,但它不会确定性地影响节点的敏感性。我们发现个体的易感性对传播动力的选择是敏感的。对于SIR传播,由于敏感度与节点的影响力高度相关,因此拓扑指标k-shell可以更好地识别高度敏感的个体,优于度,介数中心性和PageRank。而在谣言传播模型中,节点的敏感性和影响力没有明显的相关性,度在所考虑的拓扑度量中表现最好。我们的发现强调了拓扑特征和传播机制在识别高度易感人群中的重要性。
2015-04-27 cs.SI physics.soc-ph
Multilayer Network Analysis: The Identification of Key Actors in a Sicilian Mafia Operation
最近,社会网络分析的研究已经导致了现有工具的改进和推广到具有多个子系统和连接层的网络。这种网络通常被称为多层网络。多层网络中的每一层与网络中的其他某个层共享至少一个节点,这种多层网络称为多路复用网络。作为一个多路复用网络并不要求所有节点都存在于每一层上。在本文中,我们建立了一个犯罪多元化网络,涉及一个反黑手党的行动称为“蒙塔格纳”,它是基于审查的审前拘留令发出的2007年3月14日由法官初步调查的墨西拿法院(西西里岛)。《Montagna》聚焦于两个黑手党家族,分别叫“Mistretta”和“Batanesi”,他们通过一个与西西里黑手党关系密切的企业家卡特尔渗透到西西里东北部的几项经济活动中,包括公共工程。最初,我们推导出两个单层网络,前者捕获嫌疑人之间的会议,后者记录电话。但是,一些网络系统可以更好地通过多层结构来建模,其中各个节点在多层中发展关系。因此,我们从单层网络构建了一个双层网络。这两个层共享47个节点。我们遵循三种不同的方法来衡量多层网络中的节点的重要性,使用度作为描述符。我们的分析可以帮助识别犯罪网络中的关键参与者。
2021-05-19 cs.SI physics.soc-ph
Identifying Influential Nodes in Bipartite Networks Using the Clustering Coefficient
复杂网络中影响节点的识别是一个非常具有挑战性的问题。如果网络具有社区结构,则中心性度量可能无法识别完整的有影响力的节点集,因为网络的集线器和其他中心节点可能仅位于一个社区内。在这里,我们定义了一个二分聚类系数,通过考虑不同结构的集群,可以找到跨社区的重要节点。
2015-03-20 cs.SI physics.soc-ph
Network infection source identification under the SIRI model
研究了在可恢复-感染-恢复-感染(SIRI)模型下网络中单个感染源的识别问题。我们描述的感染模型,通过状态空间模型,并利用状态传播的方法,我们推导出一个算法称为异构感染传播源(HISS)估计,推断感染源。HISS估计器使用节点状态在特定时间的观测值,其中从感染开始经过的时间是未知的。它能够合并边信息(如果有的话)的观察到的状态的一个子集的节点在不同的时间,和每个感染或恢复节点的先验概率是感染源。仿真结果表明,HISS估计优于动态消息传递和约旦中心估计在很宽的范围内的感染率和再感染率。
2015-02-12 cs.SI math.DS physics.soc-ph
The large-scale structure of journal citation networks
我们分析的大规模结构的期刊引文网络所包含的信息建立在汤森路透期刊引文报告。为此,我们利用网络科学的工具,探索网络属性,如密度,渗透鲁棒性,平均和最大节点距离,互惠性,传入和传出度分布,以及节点度的混合。我们发现,期刊引文网络是一个密集的、健壮的、小型的、互惠的世界。此外,在节点度分布和出节点度分布显示长尾,少数重要的期刊和许多琐碎的,他们是强正相关。
2011-10-18 cs.DL cs.SI physics.soc-ph
Identification of an influence network using ensemble-based filtering for Hawkes processes driven by count data
许多网络具有事件驱动的动态(例如通信、社交媒体和犯罪网络),其中在网络中的节点处发生的事件的平均速率根据网络中其他事件的发生而变化。具体地,与网络的节点相关联的事件可以增加其他节点处的事件的速率,这取决于它们的影响关系。因此,使用时间数据来揭示给定网络的方向性、时间依赖性、影响结构,同时即使在缺乏物理网络的知识时也量化不确定性,这是令人感兴趣的。通常,用于推断网络中的影响结构的方法需要物理网络的知识或者仅能够推断小的网络结构。在本文中,我们通过多维霍克斯过程对网络上的事件驱动动态进行建模。然后,我们开发了一种新的基于集合的过滤方法,用于计数数据的时间序列(即,为网络中的每个节点提供每单位时间的事件数量的数据),其不仅随时间跟踪影响网络结构,而且还通过系综扩展来近似不确定性。该方法克服了现有方法中的几个缺陷,例如用于推断多维Hawkes过程的现有方法太慢,对于超过50个节点的任何网络都是不实用的,只能处理时间戳数据(即关于事件发生的数据,而不是每个节点的事件数量),并且我们不需要物理网络开始。我们的方法是大规模并行化的,允许使用它来推断大型网络(约10,000个节点)的影响结构。我们展示了我们的方法,使用合成和真实世界的电子邮件通信数据的大型网络。
2023-02-01 cs.SI stat.AP
LayerPlexRank: Exploring Node Centrality and Layer Influence through Algebraic Connectivity in Multiplex Networks
本文提出LayerPlexRank算法,利用代数连通性指标和随机游走在多层网络中同时评估节点中心性与层影响力,有效捕捉跨层结构变化以增强排序鲁棒性,理论分析与真实数据集验证证实了其优越性。
2025-01-29 cs.IR cs.NI cs.SI
Polarization in Networks: Identification-alienation Framework
我们介绍了一个模型的极化网络作为一个统一的框架,涵盖了广泛的应用程序的极化测量。为此,我们考虑一个足够一般的设置:节点和边加权,无向和连接的网络。我们推广了Esteban和Ray(1994)的公理化特征,并证明了只有该类中的一个特定实例才能可验证地用于测量网络中的极化。
2021-01-04 cs.SI econ.TH
Understanding Vulnerability of Communities in Complex Networks
在本文中,我们研究了复杂网络的关键元素,即节点和边缘及其属性,如它们的社区结构,这在决定网络对结构扰动的鲁棒性方面起着重要作用。具体来说,我们希望识别所有重要节点,这些节点在被删除时会导致网络底层社区结构的巨大变化。这个问题非常重要,因为网络的社区结构可以让我们深入了解网络的功能及其拓扑结构如何相互影响。此外,它甚至提供了一种将大型图压缩成较小图的方法,其中每个社区都充当Meta节点,从而有助于更轻松的网络分析。如果这种社区结构受到网络意外或故意扰动的影响,这将使这种分析变得困难。由于确定这样的重要节点的问题是计算上棘手的,我们提出了一些算法,使我们能够找到接近最优解的解决方案。为了证明我们的方法的有效性,我们首先在小型网络上测试这些算法,然后转移到更大的网络上,以表明我们获得了类似的结果。结果表明,所提出的方法是有效的,以分析社区的脆弱性在图中,无论其大小和规模。从应用的角度来看,我们表明,所提出的算法是可扩展的,可以应用到信息扩散任务,以减少经验观察到的活动节点的传播。此外,我们通过外部评估显示我们的算法的性能-我们采用两个任务,如预测和信息扩散,并表明我们的算法对这些任务的效果高于其他基线。
2021-02-03 cs.SI physics.soc-ph
Finding the right scale of a network: Efficient identification of causal emergence through spectral clustering
所有网络都可以在多个尺度上进行分析。更高规模的网络由宏节点组成:子图被分组为单个节点。在更高的尺度上重铸网络可以产生有用的效果,例如减少随机游走者在网络中移动的不确定性,同时也减少了网络的大小。然而,找到这样一个宏尺度表示的任务在计算上是困难的,因为网络的所有可能尺度的集合随着节点的数量呈指数增长。在这里,我们比较了各种方法,找到最丰富的规模的偏好连接网络,发现一个基于频谱分析的方法优于贪婪和梯度下降为基础的方法。然后,我们使用这个过程来展示这些网络的几个结构特性如何在不同尺度上变化。我们描述了如何中观和宏观尺度的网络表示可以有显着的好处,在其基础上的微尺度上的信息传输,其中包括属性,如增加确定性,减少退化,熵率较低的随机游走在网络上,增加全球网络效率,和更高的值为各种中心的措施比微尺度。
2022-02-16 cs.SI physics.soc-ph
Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks
本文提出Cost-Effective Community-Hierarchy-Based Mutual Voting方法,通过融合层次与社区结构信息度量节点重要性,并利用低计算成本互投机制优化种子节点选择,在10个数据集上平衡指数较次优方法最多提升9.29%。
2024-09-21 cs.IR cs.SI