面向网络数字孪生的基于图神经网络的谱滤波机制用于不平衡分类
机器学习
2025-05-16 v2 网络与互联网体系结构
摘要
图神经网络正广泛应用于第五代 (5G) 核心网络数字孪生领域，这类数据驱动的具有大量组成部分的复杂系统。分析这些数据面临的挑战在于罕见故障类型导致多类设置中的不平衡分类问题。5G 网络的数字孪生日益依赖图分类作为识别故障类型的主要方法。然而，故障发生的偏斜分布是一个显著的类别不平衡问题，阻碍了实际的图数据挖掘。以往研究未能充分解决这一复杂问题。本文提出了类别-Fourier GNN (CF-GNN)，引入面向类别的谱滤波机制，以确保精确分类，通过为每个类别估计唯一的谱滤波器。本工作采用特征值和特征向量谱滤波，以捕捉并适应少数类的差异，确保准确的类别特定特征判别，善于在端到端设置中进行图表示学习，以处理复杂的邻居局部结构。广泛的实验表明，所提出的 CF-GNN 有助于创建新的技术，以增强分类器并调查 5G 网络数字孪生系统中多类别不平衡数据的特征。
引用
@article{arxiv.2502.11505,
title = {Graph Neural Network-based Spectral Filtering Mechanism for Imbalance Classification in Network Digital Twin},
author = {Abubakar Isah and Ibrahim Aliyu and Sulaiman Muhammad Rashid and Jaehyung Park and Minsoo Hahn and Jinsul Kim},
journal= {arXiv preprint arXiv:2502.11505},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2406.06595