Assessing the Robustness and Reducibility of Multiplex Networks with Embedding-Aided Interlayer Similarities
提出 EATSim 层间相似性方法，融合层内结构与跨层锚点对齐信息，提升相似性测量精度，并在网络鲁棒性和可约性预测上达到最优。
2025-05-11 cs.SI physics.soc-ph
Interlayer Link Prediction in Multiplex Social Networks Based on Multiple Types of Consistency between Embedding Vectors
在线用户通常活跃在多个社交媒体网络（SMN）上，这构成了多元化的社交网络。确定不同SMN上的给定帐户是否属于同一用户变得越来越具有挑战性;这可以表示为复用网络中的层间链路预测问题。为了解决预测层间连接的挑战，利用特征或结构信息。使用网络嵌入技术来解决这个问题的现有方法专注于学习映射函数，以将所有节点统一到一个公共的潜在表示空间中进行预测;不匹配的节点和它们的公共匹配邻居（CMN）之间的位置关系没有被利用。此外，这些层通常被建模为未加权图，忽略了节点之间关系的强度。为了解决这些限制，我们提出了一个基于多种类型的嵌入向量（MulCEV）之间的一致性的框架。在MulCEV中，传统的基于嵌入的方法被用来获得代表不匹配节点的向量之间的一致性程度，并提出了一种基于节点在每个潜在空间中的位置的距离一致性指数，为预测提供了额外的线索。通过将这两类一致性关联起来，充分利用了潜在空间中的有效信息。此外，MulCEV将层建模为加权图以获得表示。通过这种方式，节点之间的关系强度越高，它们在潜在表示空间中的嵌入向量将越相似。我们在几个真实数据集上的实验结果表明，所提出的MulCEV框架明显优于当前基于嵌入的方法，特别是当训练迭代次数很小时。
2021-11-09 cs.SI physics.soc-ph
Causality-Driven Disentangled Representation Learning in Multiplex Graphs
EPFL, Lausanne, Switzerland（苏黎世联邦理工学院）
本文提出一种基于因果推理的框架，通过自监督学习解耦多层图中的共同和私有信息，提升表示学习的鲁棒性和可解释性。
2026-03-25 cs.LG cs.SI
Multiplex Heterogeneous Graph Convolutional Network
Ocean University of China（中国海洋大学）；The University of Hong Kong（香港大学）；Shandong University of Science and Technology（山东科技大学）
异构图卷积网络在处理异构网络数据的各种网络分析任务（范围从链接预测到节点分类）中获得了极大的普及。然而，现有的研究大多忽略了多类型节点间的关系异构性以及节点嵌入时元路径中关系重要性的差异，难以捕捉不同关系间的异构结构信号。为了解决这一问题，本文提出了一种用于异构网络嵌入的多路异构图卷积网络（MHGCN）。我们的MHGCN可以自动学习有用的异构元路径的相互作用，通过多层卷积聚合在多个异构网络中的不同长度。此外，我们有效地集成多关系结构信号和属性语义到学习节点嵌入与无监督和半监督学习范例。在五个具有各种网络分析任务的真实世界数据集上进行的广泛实验表明，MHGCN在所有评估指标方面都优于最先进的嵌入基线。
2022-08-12 cs.AI cs.LG cs.SI
HDMI: High-order Deep Multiplex Infomax
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；KAIST（韩国科学技术院）
网络已被广泛用于表示对象之间的关系，如学术网络和社交网络，网络的学习嵌入因此获得了大量的研究关注。自监督网络表示学习的目的是在没有外部监督的情况下提取节点嵌入。最近，最大化本地节点嵌入和全局摘要之间的互信息（例如，深度图Infomax，或简称DGI）已经在许多下游任务（如节点分类）上显示出有希望的结果。然而，DGI有两个主要的局限性。首先，DGI仅考虑外部监督信号（即，节点嵌入和全局概要之间的互信息）而忽略固有信号（即，节点嵌入和节点属性之间的相互依赖性）。其次，现实网络中的节点通常由具有不同关系的多条边连接，而DGI没有充分探索节点之间的各种关系。为了解决上述问题，我们提出了一种新的框架，称为高阶深度复用Infomax（HDMI），用于以自监督的方式在复用网络上嵌入学习节点。更具体地说，我们首先通过高阶互信息设计包含外在和内在互信息的联合监督信号，并且我们提出高阶深度信息最大值（HDI）来优化所提出的监督信号。然后，我们提出了一个基于注意力的融合模块，结合节点嵌入从不同层的多路复用网络。最后，我们评估了所提出的HDMI在各种下游任务，如无监督聚类和监督分类。实验结果表明，HDMI在这些任务上达到了最先进的性能。
2021-06-29 cs.IT cs.LG cs.SI
Representation Learning for Attributed Multiplex Heterogeneous Network
Tsinghua University（清华大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
网络嵌入（或图嵌入）已广泛应用于许多现实世界的应用中。然而，现有的方法主要集中在具有单一类型的节点/边的网络上，并且不能很好地扩展以处理大型网络。许多真实世界的网络由数十亿个节点和多种类型的边组成，每个节点都与不同的属性相关联。在本文中，我们形式化的问题的嵌入学习的属性多重异构网络，并提出了一个统一的框架来解决这个问题。该框架支持转换学习和归纳学习。我们也给出了所提出的框架的理论分析，显示其与以前的作品的连接，并证明其更好的表现力。我们在四种不同类型的具有挑战性的数据集上对所提出的框架进行了系统的评估：亚马逊，YouTube，Twitter和阿里巴巴。实验结果表明，使用从所提出的框架中学习的嵌入，我们可以实现统计上显著的改进（例如，5.99-28.23%的F1分数提升; p<<0.01，t检验）超过先前用于链接预测的现有技术方法。该框架也已成功部署在一个全球领先的电子商务公司，阿里巴巴集团的推荐系统。产品推荐的离线A/B测试结果进一步证实了该框架在实践中的有效性和效率。
2019-05-20 cs.LG cs.SI
Network Embedding with Completely-imbalanced Labels
Department of Computer Science and Technology, University of Science and Technology Beijing（计算机科学与技术系，北京科技大学）；School of Software, Tsinghua University（软件学院，清华大学）；Department of Computer Science, University of Illinois at Chicago（计算机科学系，伊利诺伊大学香槟分校）
针对完全不平衡标签下网络嵌入性能不佳的问题，提出RSDNE和RECT两种半监督方法，分别通过近似类内相似性与类间不相似性及类语义知识提升性能，实验验证其优越性。
2025-08-04 cs.LG cs.SI stat.ML
Designing Optimal Multiplex Networks for Certain Laplacian Spectral Properties
我们讨论了在有限的预算下，以提高其整体性能为目标的复用网络中的层间边缘的设计。我们分别分析以下三个问题：首先，我们最大化最小的非零特征值，也称为代数连通性;其次，我们最小化最大的特征值，也称为谱半径;最后，我们最小化谱宽度。最大化的代数连接需要相同的权重的层间边缘的预算小于阈值。然而，对于较大的预算，最佳权重通常是不均匀的。对偶公式将问题转化为图实现（嵌入）问题，使我们能够给出更全面的画面。也就是说，在阈值预算之前，最优实现是一维的，同一层中的节点嵌入到一个点;而在阈值之外，最优嵌入通常展开到空间中，其维度由代数连通性的多重性所限定。最后，对于非常大的预算，嵌入再次恢复到较低的维度。最小化最大特征值是由各个网络的谱半径及其相应的特征向量驱动的。在阈值之前，总预算分布在对应于该特征向量的节线的层间边缘之间，并且拉普拉斯算子的最优最大特征值保持恒定。对于较大的预算，权重分布趋于几乎均匀。在对偶图中，最优图嵌入最初是一维的且非齐次的，并且超过该阈值，最优嵌入扩展为多维的，并且对于较大的预算值，两层填充嵌入空间。最后，我们将展示这两个问题是如何连接到最小化的频谱宽度。
2020-05-29 cs.NI cs.SI math.OC
Embeddings of Nation-Level Social Networks
Stony Brook University（石溪大学）；Netherlands eScience Center（荷兰e科学中心）；Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）；Toulouse School of Economics, Universite Toulouse Capitole（图卢兹经济学院，图卢兹第三大学）；European University Institute（欧洲大学学院）；Utrecht University（乌得勒支大学）
本文提出动态节点嵌入方法，用于处理大规模多层时间依赖网络，通过改进传统方法、时间对齐策略和嵌入白化技术，提升嵌入效果，并在13个下游任务中验证有效性。
2026-03-30 cs.NI cs.SI
Multiplex Markov Chains: Convection Cycles and Optimality
多重网络是互联系统和多模态数据的常见建模框架，但我们仍然缺乏对多重性如何影响随机过程的基本见解。我们引入了一种新的“马尔可夫链的马尔可夫链”模型，称为多重马尔可夫链（MMC），使可能的$(1-ω)\in [0,1]$随机步行者保持在同一层，并遵循（层特定的）层内马尔可夫链，而与概率$ω$，他们移动到不同的层以下（节点特定的）层间马尔可夫链。一个主要的发现是多重对流的识别，其中一个固定的分布表现出循环流动，涉及多个层。对流循环在流体中已被很好地理解，但在网络上还没有充分地探索。我们的实验表明，对流的一种机制是存在的不平衡（层内）度的节点在不同的层。为了获得进一步的了解，我们采用谱微扰理论来表征小的和大的$ω$的极限的平稳分布，我们表明，MMC固有地表现出最佳的中间$ω$在其收敛速度和对流的程度。作为一个应用程序，我们进行了基于MMC的脑活动数据的分析，发现MMC在健康人和阿尔茨海默病患者之间存在差异。总的来说，我们的工作表明MMC和对流作为两个重要的新方向，网络相关的研究。
2020-07-18 cs.SI nlin.AO physics.soc-ph
Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction
University of British Columbia（不列颠哥伦比亚大学）
动态网络中异常点的识别问题是一个具有广泛应用前景的基础性课题。然而，由于异常的复杂性，缺乏地面真相知识以及网络中复杂和动态的相互作用，它提出了关键的挑战。大多数现有的方法通常研究网络与一个单一类型的顶点之间的连接，而在许多应用中，对象之间的相互作用是不同的，产生多路网络。我们提出了ANOMULY，一个通用的，无监督的边缘异常检测框架的多重动态网络。在每种关系类型中，ANOMULY将不同GNN层的节点嵌入视为分层节点状态，并采用GRU单元来捕获网络的时间属性并随时间更新节点嵌入。然后，我们添加了一个注意力机制，它包含了不同类型关系的信息。我们对大脑网络的案例研究表明，这种方法可以作为一种新的工具来理解可能揭示大脑疾病或障碍的异常大脑活动。在九个真实世界数据集上的广泛实验表明，ANOMULY实现了最先进的性能。
2022-11-15 cs.AI cs.LG cs.SI
MultiNet: A Scalable Multilayer Network Embedding Framework
近年来，网络的表示学习取得了重大进展。这种表示已被有效地用于经典的基于网络的机器学习任务，如节点分类，链接预测和网络对齐。然而，很少有方法专注于捕获多路复用或多层网络的表示，这是复杂网络的更准确和详细的表示。在这项工作中，我们提出了多重网络的快速和可扩展的嵌入技术。Multi-Net有效地将节点映射到低维空间，同时在所有层中保留其邻域属性。我们利用四个随机游走策略在我们的统一网络嵌入模型，从而使我们的方法比现有的国家的最先进的模型更强大。我们在来自不同领域的四个真实数据集上展示了Multi-Net的卓越性能。特别是，我们强调了多网络的独特性，利用它的复杂任务的网络重建。
2018-10-11 cs.SI physics.soc-ph
CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search in Multiplex Networks
University of British Columbia（不列颠哥伦比亚大学）
社区搜索是网络科学中的一项基本任务，由于其能够发现具有广泛应用前景的个性化社区而备受关注。给定任何查询节点，CS寻求找到包含查询节点的密集连接子图。大多数现有的方法通常研究节点之间具有单一类型邻近度的网络，这定义了网络的单一视图。然而，在许多应用中，如生物，社交和交通网络，对象之间的交互跨越多个方面，产生具有多个视图的网络，称为多路复用网络。现有的复用网络中的CS方法采用预定义的子图模式来对社区进行建模，在现实网络中无法找到不具有这种预定义模式的社区。在本文中，我们提出了一个查询驱动的图卷积网络在多路复用网络，CS-MLGCN，可以捕捉灵活的社区结构，通过学习从地面真理社区在数据驱动的方式。CS-MLGCN首先将局部查询依赖结构和全局图嵌入到每种类型的邻近度中，然后使用注意力机制来合并不同类型关系的信息。在真实世界的图与地面真相社区上的实验验证了我们获得的解决方案的质量和我们的模型的效率。
2022-10-17 cs.LG cs.SI
Feature-rich multiplex lexical networks reveal mental strategies of early language learning
University of Pisa（比萨大学）；ISTI (CNR)（意大利国家研究委员会信息科学与技术研究所）；University of Kansas（堪萨斯大学）；University of Exeter（埃克塞特大学）
人类头脑中的知识表现出二元矢量/网络性质。将单词建模为向量是自然语言处理的关键，而单词关联网络可以映射语义记忆的性质。我们调和这些范式-分散在语言学，心理学和计算机科学-通过引入功能丰富的多功能词汇（FERMULEX）网络。这种新的框架融合了网络中的结构相似性和词的向量特征，可以组合或独立探索。相似性模型跨语义/句法/语音知识方面的异质词关联。词汇的多维特征嵌入丰富了词汇，包括频率、习得年龄、长度和多义性。这些方面使认知知识的前所未有的探索。通过CHILDES数据，我们使用FERMULEX网络来模拟1000名18至30个月的幼儿的规范语言习得。相似性和嵌入通过一致性来捕获词的同质性，一致性通过距离和特征来测量连续混合。一致性挖掘出一个语言核心的频繁/多义/短名词和动词的关键基本句子生产，支持最近的证据表明，儿童的句法结构出现在30个月。这个内核对于网络核心检测和仅特征聚类是不可见的：它来自单词的双重向量/网络性质。我们的定量分析揭示了两个关键策略在早期的单词学习。建模字收购FERMULEX拓扑结构上的随机行走，我们强调非均匀填充的沟通发展库存（CDIs）。基于一致性的步行者导致准确（75%），精确（55%）和部分回忆良好（34%）的预测早期单词学习的CDIs，提供定量支持以前的实证研究结果和发展理论。
2022-01-13 cs.CL cs.SI
Link persistence and conditional distances in multiplex networks
最近的进展解开隐藏的几何组织的真正的复用揭示了显着的相关性，在不同的网络层，这有利于跨层链接预测和相互导航等应用程序的双曲线节点坐标。但是，仅仅几何相关性就足以解释真实系统各层之间的拓扑关系吗？在这里，我们对这个问题给出了否定的答案。我们表明，在真正的系统中的连接往往坚持从一层到另一个无关的双曲距离。这表明，除了纯粹的几何方面，一个层中的显式链路形成过程会影响其他层的拓扑结构。基于这一发现，我们提出了一个简单的修改最近开发的几何多重模型来解释这种影响，并表明扩展模型可以重现在真实系统中观察到的行为。我们还发现，链接持久性是显着的，在所有考虑的复用，可以解释他们的层的高边缘重叠，这不能单独用坐标相关性来解释。此外，通过考虑链路持久性和双曲线距离相关性，我们可以改进跨层链接预测。这些发现指导了多重嵌入方法的发展，这表明这种方法应该考虑到跨层的坐标相关性和链接持久性。
2019-01-27 cs.SI physics.data-an physics.soc-ph
BHIN2vec: Balancing the Type of Relation in Heterogeneous Information Network
Pohang University of Science and Technology（浦项科技大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
网络嵌入的目标是将网络中的节点转化为低维的嵌入向量。近年来，异构网络已被证明是有效的，在表示数据中的各种信息。然而，异构网络嵌入遭受不平衡问题，即关系类型的大小（或关于该类型的网络中的边的数量）不平衡。在本文中，我们设计了一个新的异构网络嵌入方法，称为BHIN 2 vec，它考虑了网络中所有关系类型之间的平衡。我们认为，异构网络嵌入同时解决多个任务，其中每个任务对应于网络中的每个关系类型。在将skip-gram损失分解为对应于不同任务的多个损失之后，我们提出了一种新的随机游走策略，通过考虑相对训练比率来关注具有高损失值的任务。与以往的随机游走策略不同，我们提出的随机游走策略根据不同任务之间的相对训练比例来生成训练样本，从而实现节点嵌入的均衡训练。我们在节点分类和推荐上的大量实验证明了BHIN 2 vec与最先进的方法相比的优越性。此外，基于相对训练比率，我们分析了每种关系类型在嵌入空间中的表现程度。
2019-11-26 cs.LG cs.SI
Designing weighted and multiplex networks for deep learning user geolocation in Twitter
Facultad de Ingeniería (UBA)（布宜诺斯艾利斯大学工程学院）；INTECIN (UBA-CONICET)（布宜诺斯艾利斯大学与阿根廷国家科学与技术研究理事会联合工程技术研究所）
预测Twitter等社交媒体用户的地理位置已经在健康监测、紧急情况监测、内容个性化和一般社会研究中找到了几种应用。在这项工作中，我们通过设计和评估基于加权多重图文献的新方法，结合最先进的深度学习技术，为这一领域的研究做出贡献。所探索的方法偏离了类似的底层结构（扩展提及和/或追随者网络的底层结构），但是使用不同的信息处理策略，例如，信息扩散通过转换和归纳算法-RGCN和GraphSAGE，分别-和节点嵌入与Node 2 vec+。然后将这些图与注意力机制相结合，将用户的文本视图纳入模型。我们评估了这些方法的性能，并将其与公开的Twitter-US数据集中的基线模型进行比较;我们还基于拉丁美洲的大型Twitter捕获提供了一个新的数据集。最后，我们的工作讨论了在不同的标签定义和指标的背景下，方法之间的比较的局限性和有效性。
2021-12-13 cs.LG cs.SI
Disunited Nations? A Multiplex Network Approach to Detecting Preference Affinity Blocs using Texts and Votes
本文有助于一个新兴的文学，模型投票和文本串联，以更好地理解表达偏好的极化。它介绍了一种新的方法来估计偏好极化多维设置，如国际关系，在自然语言处理和网络科学文献的基础上的发展-即词嵌入，保留了人类语言的有价值的句法质量，和社区发现在多层网络，它定位密集连接的演员在多个，复杂的网络。我们发现，这些工具的就业在串联有助于更好地估计国家的外交政策偏好，在联合国投票和演讲所表达的超出了投票本身所允许的。这些位于亲和力集团的效用是通过应用程序证明在国际关系中的冲突发作，虽然这些工具将是所有学者面临的多维设置中的偏好和极化的测量感兴趣。
2019-10-27 cs.CL cs.CY cs.SI
Synthetic Over-sampling for Imbalanced Node Classification with Graph Neural Networks
The Pennsylvania State University（宾夕法尼亚州立大学）
近年来，图神经网络（GNN）已经实现了节点分类的最新性能。然而，大多数现有的GNN都会受到图不平衡问题的困扰。在许多现实场景中，节点类是不平衡的，一些多数类构成了图的大部分。GNN中的消息传播机制将进一步放大这些多数类的优势，导致分类性能次优。在这项工作中，我们试图通过生成少数类的伪实例来平衡训练数据，扩展以前的基于过采样的技术来解决这个问题。这个任务是不平凡的，因为这些技术是在假设实例是独立的情况下设计的。忽视关系信息会使这种过采样过程变得复杂。此外，节点分类任务通常采用仅具有少数标记节点的半监督设置，从而为少数实例的生成提供不足的监督。生成的低质量的新节点会损害训练好的分类器。在这项工作中，我们解决这些困难，通过合成新的节点在一个构建的嵌入空间，编码节点属性和拓扑信息。此外，边生成器同时被训练来对图结构进行建模并为新样本提供关系。为了进一步提高数据效率，我们还探索合成混合的“中间”节点，以利用在这个过采样过程中的大多数类的节点。在真实数据集上的实验验证了该框架的有效性。
2022-06-10 cs.LG cs.SI
