扰动与组合法识别真实世界网络中的有影响力传播者
社会与信息网络
2019-07-11 v3 机器学习
机器学习
摘要
一些最有效的有影响力传播者检测算法对网络结构的微小扰动不稳定。受机器学习中bagging的启发，我们提出了首个面向网络的扰动与组合（P&C）流程。该流程（1）创建给定图的多个扰动版本，（2）对每个图分别应用节点打分函数，（3）组合结果。在多种规模真实世界网络上使用k-core、广义k-core和PageRank算法进行的实验表明，P&C带来了显著改进。此外，通过并行化几乎无需额外代价即可获得此性能提升。最后，偏差-方差分析表明，P&C主要通过降低偏差起作用，因此应能够改善所有顶点打分函数的性能，包括稳定的那些。
引用
@article{arxiv.1807.09586,
title = {Perturb and Combine to Identify Influential Spreaders in Real-World Networks},
author = {Antoine J. -P. Tixier and Maria-Evgenia G. Rossi and Fragkiskos D. Malliaros and Jesse Read and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:1807.09586},
year = {2019}
}
备注
Accepted at ASONAM 2019