基于注意力融合和对比学习的异构移动网络细粒度图表示学习
机器学习
2024-12-12 v1 人工智能
网络与互联网体系结构
摘要
随着移动通信网络复杂度的不断提升，人工智能在电信行业中日益重要，给网络运营商带来巨大的压力。虽然智能网络自主化被视为关键，但其依赖专家经验和从网络数据中提取的知识。在促进无线大数据便捷分析和利用的过程中，我们引入知识图谱的概念，形成我们称之为无线数据知识图谱（WDKG）的新范式。然而，通信网络的异构性和动态性使得手动构建WDKG既昂贵又容易出错，成为根本性挑战。在此背景下，我们提出一种基于无监督数据和模型驱动的图结构学习（DMGSL）框架，旨在自动化WDKG的细化和更新。针对WDKG的异构性问题，我们将网络分层为均匀层，并在更细粒度上进行细化。此外，为有效捕获WDKG的动态特性，我们将网络基于相关时间分割为静态快照，并利用循环神经网络融合历史信息。在建立的WDKG上的大量实验表明，DMGSL在节点分类准确率等方面优于基线方法，尤其突出。
引用
@article{arxiv.2412.07809,
title = {Fine-grained graph representation learning for heterogeneous mobile networks with attentive fusion and contrastive learning},
author = {Shengheng Liu and Tianqi Zhang and Ningning Fu and Yongming Huang},
journal= {arXiv preprint arXiv:2412.07809},
year = {2024}
}
备注
To appear in AAAI 2025 (Main Technical Track)