一种基于互信息的复杂网络节点重要性评估方法

在复杂网络中,如何量化节点的重要性是一个基本问题。首先阐述了现有的计算方法,在此基础上提出了一种基于互信息的节点重要性评估方法。该方法揭示了网络拓扑结构特性,准确反映了节点的相对重要程度。对该方法进行了实验论证,并与现有方法进行了分析比较,结果表明基于互信息的评估方法简单有效,特别适用于大型复杂网络节点重要性的评估。     

改进的随机游走模型节点排序方法

复杂网络节点重要性排序是研究复杂网络特性的重要方面之一,被广泛应用于数据挖掘、Web搜索、社会网络分析等众多研究领域。基于物理学场论模型,提出改进的随机游走模式的节点重要性排序算法,即通过节点之间相互作用的场力来确定随机游走模型中的Markov转移矩阵,这样可以对节点重要性排序作出更加准确真实的评估。实验结果表明,所采用的节点重要性评估方法能更合理地解释节点重要性的意义,并且可以给出更加真实精确的节点重要性的评估结果。     

改进的加权网络节点重要性评估的互信息方法

现有的复杂网络节点重要性评估研究主要集中在无向无权网络上,不能全面客观反映某些真实复杂网络的情况。针对无向加权和有向加权网络中评估指标适用范围有限、评估结果不够全面等问题,借鉴应用于无向无权网络的基于互信息的节点重要性评估方法,提出适用于无向加权网络和有向加权网络的互信息评估方法。该方法将网络中的每条边看作信息流,结合相应复杂网络的结构特点和"信息量"的定义方法,以求出的节点信息量作为节点的重要性评估指标。对实例网络进行分析可知,所提算法在保证评估准确性前提下,能更加细致刻画有向加权网络节点之间的差异性。在对ARPA网络的节点评估中,所提算法与以往指标所评估出的前5个最重要节点的节点编号尤其相近,凸显出该算法快速发掘核心节点的能力,为快速、准确评估无向加权和有向加权网络核心节点,提高网络抗毁性提供一定理论帮助。     

基于多层次灰色关联分析的复杂网络节点排序模型

复杂网络节点重要性是研究复杂网络特性的重要方面之一,被广泛应用于数据挖掘、Web 搜索、社会网络分析等众多研究领域。在选取评估节点重要性指标时,考虑到普通聚类系数仅能衡量网络节点聚类的疏密度,不能衡量聚类的规模,提出了修正的聚类系数;同时,选取了Erdos数和介数两个指标来综合衡量网络节点重要性,建立多层次 灰色关联分析模型,确定出各个节点与理想节点的关联度,实现对复杂网络节点的排序。模型不仅考虑到度、路径距离对节点排序的影响,而且也考虑到每个节点聚类程度对节点排序的影响。通过与实际网络和其他方法的排序结果对比,模型能够准确找到复杂网络的核心节点,并且排序结果真实反映了节点依次的重要程度。     

节点重要性指标在加权网络中的应用

复杂网络的中心化有助于发现复杂网络中的重要节点,因而具有重要的应用价值。将中心化的研究推广到了加权网络,首先在一个小的加权网络模型上刻画了几种重要的中心化指标,通过定量分析,指出了不同中心化指标的特点;并将三种节点重要性指标应用于BBV网络,分别对这三种中心化指标最大的节点进行目标免疫,通过模拟病毒传播趋势,得出节点的强度指标对这种网络的传播影响最大。     

基于社区划分的节点重要性评估方法

对于PageRank方法结果过于集中,未考虑复杂网络社区结构特性的问题,提出了一种改进的,基于复杂网络社区划分的节点重要性排序方法CD-PR。根据标签传播算法（LPA）对复杂网络进行社区划分的结果,将社区的内外连接关系转化为社区选择的概率表示;按照社区选择概率,分别从各个社区提取一定比例的候选关键节点;将这些候选节点重新排序,得到关键节点排序结果。以4个真实复杂网络作为实验数据,与现有算法进行对比,进行SIR传播性能实验。实验结果表明,CD-PR算法筛选出的节点在整体传播性能上具有更好的效果,CD-PR算法可以有效地对复杂网络的节点进行重要性排序。     

基于组合赋权VIKOR方法的网络节点重要性评价

复杂网络重要节点的识别是网络可靠性分析的重要组成部分,在实际应用中具有重要意义。针对节点重要性受多个因素的影响,将多属性决策理论中的VIKOR方法拓展应用到复杂网络的关键节点识别。基于AHP和TOPSIS方法,从主客观两个维度综合考虑评价指标的权重,给出一个优化的组合赋权策略,进而提出网络节点重要性评价的组合赋权VIKOR (combination weighting VIKOR,CW-VIKOR) 方法。在四个不同类型的实际网络中进行了仿真实验,结果表明,CW-VIKOR方法可以有效识别网络中的重要节点,在节点传播影响力和网络效率上均表现出更好的性能。     

单层网络目标控制的多属性决策方法

目标控制,旨在研究如何选择与控制网络中的部分节点,已有工作主要采用随机选取和局部选取来进行,并没有考虑节点的重要性。针对现有的复杂网络节点重要性的评价指标比较单一的问题,在目标控制中采用了一种基于多属性决策的节点重要性综合评价方法,从不同的角度,利用网络中多个节点重要性指标,分别给出不同的权重对节点进行综合评价并且排序,以此选取重要的节点进行目标控制。在人工生成数据及真实数据集上的实验结果表明,该方法能够选出较少的驱动节点。     

复杂网络的节点重要性综合评价

复杂网络中的节点重要性研究在不同领域都具有重要意义。针对单一指标评价的局限性和片面性以及现有的一些综合评价方法不够准确等问题,提出了一种新的综合评价方法,该方法结合改进的主成分分析法和TOPSIS法计算节点重要性的排序结果。通过对ARPA网络和美国航空网络进行实验分析,验证了该方法的准确性和有效性,它为进一步完善节点重要性评价方法奠定了基础。     

基于信息量的动态软件网络节点重要性研究

以复杂网络理论研究了面向对象软件系统质量的度量方法.以实际软件系统作为研究对象,分析了软件系统在初始化以及功能执行完全两个不同阶段下系统复杂度的变化.在此基础上,使用网络模型中节点的信息量作为评判类在软件系统中重要性的指标,用来发掘软件系统运行过程中功能上更加重要的类;最后,用软件网络的信息熵衡量软件系统的复杂度.通过研究证明了以信息量作为描述类的重要程度的合理性,进一步验证了信息熵在整个软件系统复杂程度方面的作用.     

图卷积网络与自注意机制在文本分类任务上的对比分析

图卷积网络近年来受到大量关注,同时自注意机制作为Transformer结构及众多预训练模型的核心之一也得到广泛运用。该文从原理上分析发现,自注意机制可视为图卷积网络的一种泛化形式,其以所有输入样本为节点,构建有向全连接图进行卷积,且节点间连边权重可学。在多个文本分类数据集上的对比实验一致显示,使用自注意机制的模型较使用图卷积网络的对照模型分类效果更佳,甚至超过了目前图卷积网络用于文本分类任务的最先进水平,并且随着数据规模的增大,两者分类效果的差距也随之扩大。这些证据表明,自注意力机制更具表达能力,在文本分类任务上能够相对图卷积网络带来分类效果的提升。     

基于图论方法构造神经网络

本文讨论神经网络的构造问题，说明利用图论中的Ｔａｌｌｅｇｅｎｓ定理可训练任何误差反向传播种经网络和稳定的非反传神经网络．     

基于能量的无标度网络模型的研究

近年来复杂网络成为一个新兴的研究课题,复杂网络研究对于理解复杂系统的结构和行为至关重要。研究发现很多复杂系统均具有无标度特性。针对BA模型仅关注节点年龄对网络拓扑结构的影响,提出了一种基于能量的无标度网络模型（EBSFN）。仿真结果表明,提出的EBSFN模型较之BA演化模型,具有更好的幂律分布和稳定性。     

基于改进图注意机制的网络嵌入方法研究及应用

网络已被广泛用作抽象现实世界系统以及组织实体之间关系的数据结构;网络嵌入模型是将网络中的节点映射为连续向量空间表示的强大工具;基于图卷积（Graph convolutional neural, GCN）的网络嵌入方法因受其模型迭代过程参数随机优化和聚合函数的影响,容易造成原始节点特征信息丢失的问题;为有效提升网络嵌入效果,针对于图神经网络模型在网络嵌入中节点表征学习的局限性,提出了一种基于二阶邻域基数保留策略的图注意力网络SNCR-GAT（Second-order Neighborhood Cardinality Retention strategy Graph attention network）,通过聚合二阶邻域特征基数的方式,解决网络节点潜在特征学习过程中重要信息保留问题;通过在节点分类和可视化两个网络嵌入应用任务上进行实验,结果表明,SNCR-GAT模型在网络嵌入上的性能表现相比较基准方法更具优越性。     

A modified Hopfield neural networks model for graphs-based kinematic structure design

Graph theory can be used efficiently for both kinematic and dynamics analysis of mechanical structures. One of the most important and difficult issues in graphs theory-based structures design is graphs isomorphism discernment. The problem is vital for graph theory-based kinematic structures enumeration, which is known to be nondeterministic polynomial-complete problem. To solve the problem, a Hopfield neural networks (HNN) model is presented and some operators are improved to prevent premature convergence. By comparing with genetic algorithm, the computation times of the HNN model shows less affection when the number of nodes were enhanced. It is concluded that the algorithm presented in this paper is efficient for large-scale graphs isomorphism problem.     

Intrinsic graph topological correlation for graph convolutional network propagation

Recently, Graph Convolutional Networks (GCNs) and their variants become popular to learn graph-related tasks. These tasks include link prediction, node classification, and node embedding, among many others. In the node classification problem, the input is a graph with some labeled nodes and the features associated with these nodes and the objective is to predict the unlabeled nodes. While the GCNs have been successfully applied to this problem, some caveats that are inherited from classical deep learning remain unsolved. One such inherited caveat is that, during classification, GCNs only consider the nodes that are a few neighbors away from the labeled nodes. However, considering only a few steps away nodes could not effectively exploit the underlying graph topological information. To remedy this problem, the state-of-the-art methods leverage the network diffusion approaches, such as personalized PageRank and its variants, to fully account for the graph topology. However, these approaches overlook the fact that the network diffusion methods favour high degree nodes in the graph, resulting in the propagation of the labels to the unlabeled,hub nodes. In order to overcome bias, in this paper, we propose to utilize a dimensionality reduction technique, which is conjugate with personalized PageRank. Testing on four real-world networks that are commonly used in benchmarking GCNs’ performance for the node classification task, we systematically evaluate the performance of the proposed methodology and show that our approach outperforms existing methods for wide ranges of parameter values. Since our method requires only a few training epochs, it releases the heavy training burden of GCNs. The source code of the proposed method is freely available at https://github.com/mustafaCoskunAgu/ScNP/blob/master/TRJMain.m.     

基于可满足性模理论求解器的程序路径验证方法

针对程序中因存在路径条数过多或复杂循环路径而导致路径验证时的路径搜索空间过大,直接影响验证的效率和准确率的问题,提出一种基于可满足性模理论（SMT）求解器的程序路径验证方法。首先利用决策树的方法对复杂循环路径提取不变式,构造无循环控制流图（NLCFG）;然后通过基本路径法对控制流图（CFG）进行遍历,提取基本路径信息;最后利用SMT求解器作为约束求解器,将路径验证问题转化为约束求解问题来进行处理。与同样基于SMT求解器的路径验证工具CBMC和FSoft-SMT相比,该方法在对测试集程序的验证时间上比CBMC降低了25%以上,比FSoft-SMT降低了15%以上;在验证精度上,该方法有明显的提升。实验结果表明,方法可以有效解决路径搜索空间过大的问题,同时提高路径验证的效率和准确率。     

语言网络研究的数学模型——从复杂网络、社会网络到语言网络

复杂网络技术的发展为大数据时代的语言研究提供了新的视角。网络方法应用到语言研究的重要目的是探索语言网络的结构特征规律和功能演化规律。该文综述了以图论为基础的复杂网络发展及社会网络、语言网络的主要数学模型,试图从复杂网络共性特征——小世界、无标度特征中进一步剥离出语言网络的个性特征,为语言符号多层级网络结构、功能研究提供参考。     

基于注意力机制融合多阶邻域信息的网络表示学习模型

近年来,图神经网络(Graph Neural Networks,GNNs)在网络表示学习领域中发挥着越来越重要的作用.然而,大多数现有的GNNs在每一层中只考虑节点的直接相连的(1阶)邻居,忽略了高阶邻域信息.在节点表示学习过程中引入高阶拓扑知识是一个关键问题.本文中,我们提出了多邻域注意力图卷积网络(Multi-neighboring Attention Graph Convolutional Networks,M AGCN).首先基于注意力机制使用多个邻域掩码从节点的不同阶邻居中学习多个节点表示,然后使用动态路由算法自适应地确定这些表示对最终节点表示的贡献,以聚合成最终的节点表示.在Cora、Citeseer和Pubmed 3个引文网络数据集上的节点分类实验表明,MAGCN比目前较先进的网络表示学习模型有更高的分类准确率.     

入侵轨迹建模与WSN栅栏覆盖分段调度算法研究

无线传感器网络栅栏覆盖在入侵检测方面发挥着重要作用,如何调度栅栏并延长网络的生存时间已成为重点研究问题.在无线传感器网络中设计合理的调度算法,分时激活传感器节点从而延长网络生存时间是大多数研究的方向,然而仅仅通过分时调度传感器节点已很难大幅度提高网络的生存时间.因此设计了一种分时与分段相结合的无线传感器网络栅栏调度算法,该算法通过分析入侵目标穿越传感器网络部署区域的行为特征,建立入侵目标的轨迹模型,该模型在保证栅栏对入侵目标具有较高检测率的情况下预测入侵目标可能穿越栅栏的区域并分段激活栅栏从而大大减少了传感器节点的能量消耗.最后仿真实验验证了本文算法与传统的分时调度算法相比能大幅度提高网络的生存时间.