基于图表示学习的复杂网络关键节点识别
社会与信息网络
2022-01-21 v1 机器学习
摘要
由于广泛应用，关键节点识别已成为网络科学微观层面的重要研究课题。影响力最大化是关键节点挖掘中的主要问题之一，通常通过启发式方法处理。本文提出了一个深度图学习框架 IMGNN，并设计了相应的训练样本生成方案。该框架以网络中节点的中心性作为输入，以节点属于最优初始传播源的概率作为输出。通过在大量小型合成网络上训练，IMGNN 在固定感染规模下最小化初始传播源规模方面比基于人类的启发式方法更高效。在一个合成网络和五个真实网络上的实验结果表明，与传统的非迭代节点排序算法相比，当最终感染规模固定时，IMGNN 在不同感染概率下具有最小的初始传播源比例。并且 IMGNN 的重排序版本优于所有最新的关键节点挖掘算法。
引用
@article{arxiv.2201.07988,
title = {Identifying critical nodes in complex networks by graph representation learning},
author = {Enyu Yu and Duanbing Chen and Yan Fu and Yuanyuan Xu},
journal= {arXiv preprint arXiv:2201.07988},
year = {2022}
}