研究人员开发了一种新的图神经网络（GNN）架构，称为Degree-Mass Message Passing，旨在高效地对大型网络中的节点按介数中心性进行排序。该模型利用节点重要性与多跳度数质量之间的关系，使用度数质量作为大小不变特征。通过在模仿真实世界网络特征（包括有向和无向无标度网络）的合成图上进行训练，该方法提高了泛化能力。在14个真实世界网络上的实验表明，与现有的GNN基线相比，排序相关性有了显著提高，同时参数量大幅减少，推理时间也更快。 AI
影响 这种新的GNN架构可以实现对大规模网络更有效的分析，可能对社交网络分析、网络安全和科学文献研究等领域产生影响。
排序理由 详细介绍用于网络分析的新GNN架构的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Aurora Rossi
- Betweenness Ranking
- Citation Networks
- Degree-Mass Message Passing
- Directed and Undirected Networks
- Graph Neural Network (GNN)
- Hugging Face
- Kendall tau_b
- Social Networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
