基于贝叶斯图神经网络的不确定复杂网络中关键节点快速识别
社会与信息网络
2022-05-31 v2 机器学习
摘要
在提升效率的追求中，互依性与复杂性正成为表征工程与自然系统的现代复杂网络的决定性特征。图论是被广泛使用的框架，用于对此类复杂网络建模并评估其面对扰动的鲁棒性。特别地，识别图中的关键节点/链路有助于增强图(系统)的鲁棒性，并刻画系统性能的关键因素。大多数现有的关键节点识别方法基于探索图中每个节点/链路的迭代方法。这些方法计算复杂度高，且所得分析针对特定网络。此外，底层图模型相关的不确定性进一步限制了这些传统方法的潜在价值。为克服这些挑战，我们提出了一种基于贝叶斯图神经网络的节点分类框架，该框架计算高效并能系统性地纳入不确定性。模型训练并非利用观测图，而是基于观测拓扑与节点目标标签计算图的MAP估计。进一步，引入蒙特卡洛(MC)丢弃算法以考虑认知不确定性。贝叶斯框架所提供的高保真度与计算复杂度的收益通过仿真结果得以说明。
引用
@article{arxiv.2012.15733,
title = {Bayesian Graph Neural Network for Fast identification of critical nodes in Uncertain Complex Networks},
author = {Sai Munikoti and Laya Das and Balasubramaniam Natarajan},
journal= {arXiv preprint arXiv:2012.15733},
year = {2022}
}
备注
6 pages, 2 figures, 3 Tables