用神经学习模型计算海量实际网络中的节点中心性度量;
用神经学习模型计算海量实际网络中的节点中心性度量
原文标题: Computing Vertex Centrality Measures in Massive Real Networks with a Neural Learning Model
地址: http://arxiv.org/abs/1811.12809
作者: Felipe Grando, Luis C. Lamb
摘要: 节点中心性度量是一种多用途分析工具,通常用于许多应用程序环境中,以检索信息并从图和网络结构属性中揭示知识。然而,用于实时应用程序或大规模真实世界网络时,这些度量的算法需要昂贵的计算资源方面。因此,研究开发了近似技术并用于计算这种情况下的度量。在本文中,我们演示和分析使用神经网络学习算法来处理这样的任务,并将其在解决方案质量和计算时间方面的表现与文献中的其他技术进行比较。我们的工作的贡献在于通过神经学习强调了近似中心性的优缺点。通过经验手段和统计,我们得出使用Levenberg-Marquardt算法训练的前馈神经网络生成的回归模型不仅是考虑计算资源的最佳选择,而且还为相关应用和大规模实现提供了最佳质量解决方案。关键词:节点中心性度量,神经网络,复杂网络模型,机器学习,回归模型
声明:Arxiv文章摘要版权归论文原作者所有,由本人进行翻译整理,未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”(微信号netsci)和个人博客 https://www.complexly.me (提供RSS订阅)进行同步更新。
领取专属 10元无门槛券
私享最新 技术干货