Is a Single Vector Enough? Exploring Node Polysemy for Network Embedding
Texas A&M University（得克萨斯农工大学）；Alibaba Group（阿里巴巴集团）
网络已经被广泛地用作用于抽象现实世界系统以及组织实体之间的关系的数据结构。网络嵌入模型是将网络中的节点映射到连续向量空间表示中的强大工具，以便于后续任务，例如分类和链接预测。现有的网络嵌入模型综合了每个节点的所有信息，如链接和属性，向一个单一的嵌入向量来表示节点在网络中的一般角色。然而，现实世界的实体可能是多方面的，由于不同的动机或不一定相关的自我特征，它连接到不同的社区。例如，在电影推荐系统中，用户可能同时喜欢喜剧或恐怖电影，但是这两种类型的电影在嵌入空间中不太可能相互接近，用户嵌入向量也不可能同时充分接近它们。在本文中，我们提出了一个多义嵌入方法建模节点的多个方面，作为语言建模中的单词多义现象的动机。节点的每个面被映射为一个嵌入向量，同时我们还保持每对节点和面之间的关联度。所提出的方法是适应各种现有的嵌入模型，而不会显着复杂的优化过程。我们还讨论了如何将不同方面的嵌入向量用于推理任务，包括分类和链接预测。在真实数据集上的实验有助于全面评估所提出的方法的性能。
2019-05-25 cs.IR cs.LG cs.SI
A Fast Sampling Method of Exploring Graphlet Degrees of Large Directed and Undirected Graphs
探索小连通和诱导子图模式（CIS模式，或graphlets）最近引起了相当大的关注。尽管最近在计算实例的数量上做出了努力，但是特定的小图出现在大型图中（即，同构于小图的CIS的总数），很少关注表征节点的小图度，即，同构于包含节点的小图的CIS的数量，这是分析诸如社交和生物网络的复杂网络的重要度量。与全局图计数类似，由于问题的组合性质，计算大型图的节点图度是具有挑战性的。不幸的是，以前计算全局graphlet计数的方法不适合解决这个问题。本文提出了无向图和有向图节点度的抽样估计方法，并分析了估计的误差。据我们所知，我们是第一个研究这个问题，并给出一个快速可扩展的解决方案。我们在各种真实数据集上进行实验，证明我们的方法可以准确有效地估计具有数百万条边的图的节点graphlet度。
2016-04-29 cs.SI
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
Exploring Information Centrality for Intrusion Detection in Large Networks
Rensselaer Polytechnic Institute（伦斯勒理工学院）
现代网络系统不断受到系统性攻击的威胁。连接到网络的设备数量以及相关的流量都出现了大幅增长。这就更加需要在系统设计和实施过程中更好地了解所有可能的攻击媒介。此外，它增加了挖掘大型数据集的需求，分析这些数据集已成为一项艰巨的任务。扩展监控基础设施以满足这一需求至关重要，但对于中小型组织来说，这是一个困难的目标。因此，有必要提出新的方法来解决大数据安全问题。信息中心性（IC）将具有更好优势的网络节点标记为中心节点，用于检测基于网络的异常，并使用它们来检测一类称为系统性攻击的攻击。其主要思想是，由于这些中心节点已经看到了网络中流动的大量信息，因此它们能够在其他节点之前检测到异常。本研究首先探讨了使用图来理解拓扑结构和信息流的重要性。然后，我们介绍了使用信息中心性，一个中心为基础的指标，以减少现有的通信网络中的数据汇集。使用IC识别的中心节点可以加速离群值检测时，配备了适当的异常检测技术。我们还提出了一种更有效的方法来计算大型网络的信息中心性。最后，我们证明了中心节点比其他非中心节点更快地检测到异常行为，因为异常行为本质上是系统性的。
2020-06-12 cs.CR cs.LG cs.SI
Exploring the Node Importance Based on von Neumann Entropy
在分析复杂网络的统计和拓扑特征时，一种有效且方便的方法是计算中心度来识别有影响力和重要的节点或结构，但大多数都局限于局部环境或某些特定配置。在本文中，我们提出了一个新的中心节点的冯诺依曼熵的基础上，这使我们能够调查的重要性，节点的频谱特征值分布。通过对实际网络的分析，表明冯诺依曼熵节点中心度是选择关键节点和经典节点的一个很好的指标。然后为了降低计算复杂性，给出了只依赖于第一和第二邻域的中心度的近似计算。此外，在最优传播问题和降低平均聚类系数中，这种熵中心性表现出很好的效率，并准确地揭示了网络的拓扑结构特征。在Erdos-Renyi网络和无标度网络中，熵中心性可以快速降低巨连通分支的标度，在随机几何图中，熵中心性可以有效地分解簇结构.这种新的方法从谱的角度揭示了节点的重要性，为网络研究提供了新的视角，在发现网络的本质结构特征方面具有巨大的潜力。
2018-05-07 cs.SI physics.soc-ph
Exploring Unknown Social Networks for Discovering Hidden Nodes
本文提出基于机器学习的图探索框架解决未知社交网络中Sybil节点、外围节点和影响者等隐藏节点发现问题，实验表明其查询成本接近已知拓扑时的水平，并利用bandit算法结合节点嵌入模型实现了广泛场景下的高效发现。
2025-04-28 cs.CY cs.SI
Exploring Low-degree Nodes First Accelerates Network Exploration
我们考虑类Web网络上的信息扩散以及随机游走如何模拟它。在这个领域中研究得很好的问题是部分覆盖时间，即，随机游走器访问网络节点的给定部分所需的预期步数的计算。我们注意到，一些最快的解决方案实际上需要节点完全了解其邻居的度分布，这在许多实际情况下是无法获得的，例如，出于隐私原因。因此，我们引入一个版本的封面问题，考虑这样的限制：部分覆盖时间与预算。预算是对可以检查其程度的邻居数量的限制;我们已经从文献中调整了最优随机游走策略，以在这样的预算下运行。我们的解决方案被称为最小度（MD），本质上，它使随机游走者倾向于首先访问网络的外围区域。在六个真实数据集上进行的广泛基准测试证明，-也许是违反直觉的策略-MD策略实际上是非常有竞争力的。最先进的掩护算法
2020-05-16 cs.SI physics.soc-ph
Exploring the Evolution of Node Neighborhoods in Dynamic Networks
动态网络是一种流行的建模和研究演化系统行为的方法。然而，他们的分析构成了网络科学的一个相对较新的子领域，因此可用的工具数量远远少于静态网络。在这项工作中，我们提出了一种专门设计的方法，以利用动态网络的纵向性质。它通过研究其直接邻域的演变来表征每个节点，基于这样的假设，即该邻域的变化方式反映了节点在整个网络中的角色和位置。为此，我们定义了\textit{neighborhood event}的概念，它对应于各种变换，这样的节点组可以进行，并描述了一种算法，用于检测这样的事件。我们证明了我们的方法在三个现实世界的网络：DBLP，LastFM和安然的兴趣。我们应用频繁模式挖掘，以提取有意义的信息，从时间序列的邻域事件。这导致识别整个网络中出现的行为趋势，以及特定节点的个体特征。我们还进行了聚类分析，结果表明，在所有三个网络中，可以区分两种类型的节点表现出不同的行为：一个非常小的一组活跃的节点，其邻居经历不同的和频繁的事件，和一个非常大的一组稳定的节点。
2017-05-05 cs.IR cs.SI physics.soc-ph
Exploring the Non-uniqueness of Node Co-occurrence Matrices of Hypergraphs
本研究针对超图投影到节点共现矩阵的非唯一性问题，提出搜索算法识别所有对应超图，分析运行时间与可并行性，并刻画非唯一条件，提供新框架与计算工具。
2025-06-20 cs.SI physics.soc-ph
A Generative Model for Exploring Structure Regularities in Attributed Networks
许多现实世界的网络被称为属性网络，包含两种类型的信息：拓扑信息和节点属性。如何利用这两类信息来探索结构性语义是一个具有挑战性的课题。本文通过刻画链路社区与节点属性之间的潜在关系，提出了一种生成链路拓扑和节点属性的原则性统计模型PSB_PG。该模型基于泊松分布的随机块模型。因此，它能够检测广泛的网络结构，包括社区结构，二分结构和其他混合结构。用于生成节点属性的模型假设节点属性是高维和稀疏的，并且也遵循泊松分布。这使得模型是一致的，模型参数可以直接估计的期望最大化（EM）算法。在人工网络和包含多种结构的真实网络上的实验结果表明，PSB_PG模型不仅具有与现有模型的竞争力，而且通过学习社区与其相关属性之间的关系，为每个社区提供了良好的语义解释.
2019-01-25 cs.SI physics.soc-ph
The GraphTempo Framework for Exploring the Evolution of a Graph through Pattern Aggregation
GraphTempo框架通过模式级聚合探索图的演化，支持时间和属性聚合，并基于显著增长、收缩或稳定区间提出高效探索策略，在三个真实图上验证了其有效性。
2024-02-06 cs.SI
Exploring Temporal Networks with Greedy Walks
时间网络具有各种各样的异质性，从事件序列的突发性到节点和链路激活时间之间的相关性。在本文中，我们将探索后者通过使用贪婪的步行作为探针的时间网络结构。给定一个时间网络（一个接触序列），贪婪遍历总是从第一个可用的接触点开始从一个节点到另一个节点。正因为如此，它们的结构对涉及节点集之间重复接触的时间拓扑模式特别敏感。与时间参考模型相比，这一点在它们每步的小覆盖范围中变得很明显-在经验时间网络中，由于相关的接触模式，贪婪的行走经常被困在小的节点集内。虽然这也可能发生在具有明显社区结构的静态网络中，但时间参考模型的使用将潜在的静态网络结构排除在等式之外，并表明观察结果存在纯粹的时间原因。对贪婪游动结构的进一步分析表明，节点对之间重复接触的突发序列是主导因素。然而，也有更大的模式，如非回溯贪婪遍历所示。我们进一步研究了贪婪行走的熵率，并表明与时间不相关的引用相比，原始数据中已访问节点的序列更具结构性和可预测性。总之，这些结果表明，在时间网络的相关时间拓扑模式的丰富性。
2015-11-02 cs.SI physics.soc-ph
Exploring the Potential of Large Language Models for Heterophilic Graphs
Singapore Management University（新加坡管理大学）；Beijing University of Post and Telecommunication（北京邮电大学）
针对异配图中节点文本未被充分利用的问题，提出结合 LLM 边判别、边重加权与模型蒸馏的两阶段框架，提升 GNN 节点分类性能。
2025-02-15 cs.AI cs.CL cs.LG
Egomunities, Exploring Socially Cohesive Person-based Communities
在过去的几年里，人们对复杂网络中的重叠社区检测产生了极大的兴趣，这被理解为具有低出站密度的密集节点组。到目前为止，大多数用于计算这样的社区的方法源于不相交的社区发现领域，通过将模块化的概念扩展到重叠的上下文中，或者通过尝试将整个节点集分解为几个可能重叠的子集。在这份报告中，我们采取了正交的方法，引入了一个度量，凝聚力，植根于社会学的考虑。内聚度量化了一组给定节点的社区性，基于三角形（连接节点的三元组）和弱联系的概念，而不是仅使用边缘密度的经典观点。如果一组节点具有高密度的三角形，并且与网络的其余部分相交的三角形很少，则该节点具有高凝聚力。因此，我们引入了社区的数值表征：具有高凝聚力的节点集。然后，我们提出了一种新的方法来解决重叠社区的问题，通过引入自我社区的概念，这是主观的社区围绕一个给定的节点，特别是在其邻域内。我们建立在凝聚力，构建一个启发式算法，输出一个节点的自我社区，试图最大限度地提高他们的凝聚力。我们说明了我们的方法的相关性与Facebook的朋友之间的一个人的自我社区的详细描述。最后，我们通过描述自我社区的有前途的应用，如信息推理和兴趣推荐，并提出了一个可能的扩展加权网络的情况下的凝聚力。
2011-02-19 cs.NI cs.SI physics.soc-ph
Exploring agent interaction patterns in the comment sections of fake and real news
本研究通过分析Reddit数据集，从网络结构和节点情感角度探索了虚假与真实新闻评论区中的智能体交互模式，发现虚假新闻更易形成群组且负面情感多，情感分布早期即稳定，为社交网络假新闻早期检测提供了理论与实践意义。
2024-10-11 cs.SI
Spikyball sampling: Exploring large networks via an inhomogeneous filtered diffusion
研究现实世界的网络，如社交网络或Web网络是一个挑战。这些网络通常将复杂的、高度连接的结构与大规模结合在一起。我们提出了一种新的方法，大规模的网络，能够自动采样用户定义的相关部分的网络。从网络中的一些选定的地方和一组减少的扩展规则开始，该方法采用过滤的广度优先搜索方法，通过匹配这些属性的边和节点进行扩展。此外，在每个步骤中，在邻居的随机子集上执行扩展，以进一步减轻可能存在于大型图中的连接的压倒性数量。这给人的印象是一个“尖尖的”扩张。我们表明，这种方法概括了以前的探索抽样方法，如雪球或森林火灾，并扩展它们。我们证明了它的能力，以捕捉组的节点具有较高的互动，而丢弃弱连接的节点，往往是众多的社交网络，并可能隐藏重要的结构。
2020-10-22 cs.IR cs.SI
Learning Disentangled Representations in Signed Directed Graphs without Social Assumptions
Jeonbuk National University（全北国立大学）
本文提出DINES方法，在不依赖社会理论假设的前提下，通过解耦表示学习、轻量级图卷积和自监督因素判别器，在有符号有向图中有效学习节点表示并显著提升符号预测性能。
2023-07-06 cs.LG cs.SI
Exploring Algorithmic Fairness in Robust Graph Covering Problems
在算法进步的推动下，人工智能算法越来越多地被部署在具有复杂社会影响的不可预见挑战的环境中。受人工智能驱动的、基于社交网络的自杀预防和滑坡风险管理干预措施的现实部署的启发，本文重点研究了受群体公平约束的鲁棒图覆盖问题。我们发现，在没有公平性约束的情况下，最先进的算法的强大的图覆盖问题的结果有偏见的节点覆盖：他们倾向于歧视个人（节点）的基础上，在传统上边缘化的群体成员。为了解决这个问题，我们提出了一种具有组公平约束的鲁棒图覆盖问题的新公式和适用于现实世界实例的易于处理的逼近方案。我们提供了一个正式的分析组公平性（PoF）的价格为这个问题，我们表明，不确定性可以导致更大的PoF。我们证明了我们的方法在几个现实世界的社交网络的有效性。我们的方法产生竞争力的节点覆盖率，同时显着提高组公平性相对于国家的最先进的方法。
2020-06-11 cs.SI math.OC
Exploring the Impact of Disrupted Peer-to-Peer Communications on Fully Decentralized Learning in Disaster Scenarios
IIT-CNR（意大利国家研究委员会信息科学与技术研究所）
本文研究灾难场景下对等通信中断对完全去中心化学习的影响，通过区分数据节点与连通性节点的突然退出，发现连通性丧失对准确率影响更大，但网络仍较稳健。
2023-10-04 cs.AI cs.LG cs.SI
Visual Analytics of Neighborhood Attribute Profiles for Exploring Structural Equivalence
Teikoku Databank（帝国数据银行）；Hokkaido Information University（北海道情報大学）
提出一种利用降维的视觉分析方法，揭示节点邻域属性轮廓形成的高维特征空间的真实拓扑结构，发现结构角色可能形成具有密度偏差的非线性流形，并指出行业分类与结构角色之间的复杂关系。
2026-07-03 cs.HC cs.SI
Disentangling Interpretable Generative Parameters of Random and Real-World Graphs
University College London（伦敦大学学院）；Microsoft Research Cambridge（微软剑桥研究院）
虽然存在各种各样的可解释的图形生成程序，匹配观察到的图形拓扑结构与这些程序和选择其参数仍然是一个悬而未决的问题。设计生成模型，密切再现现实世界的图形需要领域知识和耗时的模拟。虽然现有的深度学习方法依赖于较少的手动建模，但它们几乎没有提供可解释性。这项工作的方法图生成（解码）的逆图压缩（编码）。我们表明，在一个以解纠缠为重点的深度自动编码框架中，特别是Beta-变分自编码器（Beta-VAE），生成过程及其参数的选择自然出现在潜在空间中。我们的模型能够学习解纠缠的，可解释的潜变量，这些潜变量代表程序生成的随机图和真实世界的图的生成参数。解纠缠的程度是使用互信息间隙（Mutual Information Gap，简称ISI）来定量测量的。当在ER随机图上训练我们的Beta-VAE模型时，它的潜变量与ER随机图参数n和p有一个接近一对一的映射。我们部署该模型来分析图拓扑和节点属性之间的相关性，测量它们的相互依赖性，而无需手工挑选拓扑属性。
2019-11-06 cs.LG cs.SI nlin.CD
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
Fea2Fea: Exploring Structural Feature Correlations via Graph Neural Networks
University of Edinburgh（爱丁堡大学）；Stanford University（斯坦福大学）
结构特征是几何图形的重要特征。虽然有一些基于协方差的特征相关性分析，但还没有相关的研究与图神经网络的结构特征相关性分析。在低维空间中引入图特征到特征（Fea ~ 2Fea）预测流水线，探索基于图神经网络的结构特征相关性的一些初步结果.结果表明，某些结构特征之间存在高度相关性。在某些基于图的分类任务中，采用无冗余的初始节点特征组合，并经图神经网络过滤，提高了分类精度。我们比较了连接特征之间嵌入的串联方法之间的差异，并表明最简单的是最好的。我们推广了合成几何图，并证明了结构特征之间的预测难度的结果。
2021-09-09 cs.AI cs.LG cs.SI
Exploring the Role of Intrinsic Nodal Activation on the Spread of Influence in Complex Networks
在许多复杂的网络系统中，如在线社交网络，活动起源于某些节点，随后通过影响在网络上传播。在这项工作中，我们考虑的问题建模的影响力和有影响力的实体在一个复杂的网络节点激活时，可以通过两种不同的机制发生的传播。第一种激活机制源于节点固有的因素。第二种机制来自于相邻联系的影响。在介绍了该模型后，我们提供了一种算法，通过修改众所周知的影响力最大化算法来挖掘这种情况下的有影响力的节点，以与我们的模型，结合了两种形式的激活。我们的模型可以被认为是独立级联扩散模型的一个变体。我们提供了一些小的激励性例子，以促进对包含内在激活机制的效果的直观理解。我们勾勒出一个证明下的新配方的影响函数的子模块性，并证明了同样的更大的图。基于该模型，我们解释了有影响力的内容创作者如何在社交媒体平台上推动参与度。使用Twitter数据集上的其他实验，然后我们展示了如何将该公式应用于现实世界的社交媒体数据集。最后，我们推导出一个中心性度量，考虑到，激活的机制，并提供了一个准确的，计算效率高，替代的方法来识别内在激活下的影响者的问题。
2017-07-17 cs.SI physics.soc-ph
Exploring complex networks by means of adaptive walkers
寻找有效的算法来探索大型网络，以恢复有关其结构的信息是一个开放的问题。在这里，我们通过提出一个模型来研究这一挑战，在该模型中，具有先前分配的家庭节点的随机步行者在固定的时间内通过网络进行导航。我们认为，如果步行者得到的信息收集回家，探索是成功的，否则，没有数据检索。因此，在每一个时间步，步行者，有一定的概率，有选择，要么回去接近他们的家或走得更远。我们发现，有一个最佳的解决方案，这个问题的平均信息检索和程度的家庭节点和设计的自适应策略的基础上的行为的随机步行者。最后，我们比较了不同的策略，出现在网络重建的背景下，从模型。我们的研究结果对于发现大规模网络中的未知连接具有一定的参考价值。
2012-12-10 cond-mat.dis-nn cs.SI nlin.AO
node2vec: Scalable Feature Learning for Networks
Stanford University（斯坦福大学）
在网络中的节点和边上的预测任务需要在学习算法使用的工程特征方面进行仔细的努力。最近在更广泛的表示学习领域的研究已经在通过学习特征本身来自动预测方面取得了重大进展。然而，目前的特征学习方法没有足够的表达能力来捕捉网络中观察到的连接模式的多样性。在这里，我们提出了node2vec，一个算法框架，用于学习网络中节点的连续特征表示。在node2vec中，我们学习节点到低维特征空间的映射，该映射最大化保留节点的网络邻域的可能性。我们定义了一个灵活的概念，一个节点的网络邻域，并设计了一个有偏的随机游走过程，有效地探索不同的社区。我们的算法概括了以前的工作，这是基于刚性的概念网络的邻居，我们认为，增加的灵活性，探索社区是学习更丰富的表示的关键。我们证明了node2vec在多标签分类和链接预测在几个现实世界的网络从不同的领域现有的国家的最先进的技术的功效。总之，我们的工作代表了一种新的方法，可以有效地学习复杂网络中最先进的任务无关表示。
2016-07-03 cs.LG cs.SI stat.ML
Entity Graphs for Exploring Online Discourse
本研究提出实体图（entity graph）概念空间，将概念设为静态节点、交流者动态移动，基于Reddit数据分析了在线话语的演变规律，发现对话随时间从主题发散趋于收敛至流行概念。
2023-04-06 cs.SI
Exploring 3D community inconsistency in human chromosome contact networks
本研究利用局部和全局不一致性度量，量化了人类染色体Hi-C网络中三维群落检测的变异性，发现TADs比A/B区室更不可靠，且高变异性节点与开放染色质相关。
2023-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
Too big to see: exploring proxies of structure in a real large-scale university-industry cooperation network
我们研究了一个2模式的现实世界的大学-产业合作网络的静态和动态拓扑结构。由于其庞大的规模和复杂的结构，我们选择使用统计代理这个目标。在研究结果中，我们将提请注意的秩大小分布的企业节点度与幂律签名对数线性行为。这引发了复杂网络结构的暗示，作为随机情况的对照。我们进一步比较了这两种模式的秩大小分布与其他现实世界的2模式的大规模网络，并得出其原因的相似之处。此外，我们调查的网络结构的变化，通过计算Robins-Alexander聚类系数在滚动窗口的方式，以捕捉网络的时间演化的拓扑变化。研究结果表明，网络的稳定性实现后，一个短暂的过渡阶段的高聚类和互相关。
2020-09-23 cs.SI
Characterizing Nodes and Edges in Dynamic Attributed Networks: A Social-based Approach
如何基于社会方面来刻画动态属性网络中的节点和边？我们解决这个问题，探索演员和他们的相关属性随着时间的推移之间的联系的强度，从而捕捉演员的社会角色和他们在不同的社会网络场景中的动态互动的意义。为此，我们应用社会概念，以促进更好地理解涉及行为者及其社会动机的潜在复杂性。更具体地说，我们探讨的概念，社会资本的战略定位的一个特定的演员在社会结构的经纪人的概念，创造桥梁的能力与多样化的模式，和封闭，聚合节点的能力与类似的模式。因此，我们揭示了不同的学术合作网络和问答社区的社会互动的差异。我们还统计验证我们的社会定义考虑的重要性，节点和边缘的社会结构，通过网络属性。
2022-07-14 cs.SI
