arXiv来源发表:
复杂网络找关键节点不再只看单一尺度：局部、社区、全局结构一起学，排序精度超过中心性和图神经网络基线
核心概要
复杂网络中的关键节点识别有了跨尺度做法。此前中心性指标与学习类方法往往只在单一网络尺度上整合结构信息，难以同时利用局部、社区和全局模式。CSBA-Net把三种尺度的结构表示分别提取，再用带多头自注意力的双向门控循环单元建模尺度间依赖，并以SIR扩散模拟得到的节点影响力作为回归目标；在24个真实网络和12个合成网络上，其排序指标优于所比较的中心性、卷积和图神经网络基线。
深度剖析
关键节点排序改为同时利用局部、社区和全局三种网络尺度上的结构信息，而不是依赖单一尺度的结构刻画。 此前的中心性指标与学习类方法对不同网络尺度结构信息的整合有限。 在来自社会、生物、技术和知识领域的24个真实网络与12个合成网络上，该方法取得Kendall's tau=0.802、Spearman's rho=0.943、NDCG10=0.898、NDCG20=0.916，优于所比较的中心性、CNN和GNN基线。
跨尺度依赖通过先分别提取各尺度结构表示、再在尺度之间建模关联来完成。 做法是跨尺度结构BiGRU注意力网络，即CSBA-Net，一种多尺度结构表示学习框架。 提取出的表示由卷积神经网络处理，再经带多头自注意力的双向门控循环单元整合，节点影响力分数以SIR扩散模拟为参考目标做回归学习。
启示与展望
该方法面向复杂网络中的关键节点识别，评测覆盖社会、生物、技术和知识领域的24个真实网络与12个合成网络，输出的是节点影响力排序分数。适合关注网络分析、扩散建模与图学习的研究人员和工程师阅读。
节点影响力分数以SIR扩散模拟作为参考目标学习得到，因此排序效果与所采用的扩散模拟设定相关；材料未说明该设定在不同传播参数下的表现。