nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

Learning Centrality by Learning to Route

verfasst von : Liav Bachar, Aviad Elyashar, Rami Puzis

Erschienen in: Complex Networks & Their Applications X

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Developing a tailor-made centrality measure for a given task requires domain and network analysis expertise, as well as time and effort. Automatically learning arbitrary centrality measures provided ground truth node scores is an important research direction. In this article, we propose a generic deep learning architecture for centrality learning that relies on the insight that arbitrary centrality measures can be computed using Routing Betweenness Centrality (RBC) and our new differentiable implementation of RBC. The proposed Learned Routing Centrality (LRC) architecture optimizes the routing function of RBC to fit the ground truth scores. Results show that LRC can learn multiple types of centrality indices more accurately than state-of-the-art.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Spectral Rank Monotonicity on Undirected Networks

Nächstes Kapitel On the Exponential Ranking and Its Linear Counterpart

https://github.com/Liavbapp/LRC.

Tubi, M., Puzis, R., Elovici, Y.: Deployment of DNIDS in social networks. In: 2007 IEEE ISI, pp. 59–65. IEEE (2007)

Puzis, R., Yagil, D., Elovici, Y., Braha, D.: Collaborative attack on internet users’ anonymity. Internet Res. 19(1), 60–77 (2009)CrossRef

Kandhway, K., Kuri, J.: Using node centrality and optimal control to maximize information diffusion in social networks. IEEE Trans. Syst. Man Cybern. Syst. 47(7), 1099–1110 (2017)CrossRef

Rodrigues, F.A.: Network centrality: an introduction. In: Macau, E.E.N. (ed.) A Mathematical Modeling Approach from Nonlinear Dynamics to Complex Systems. NSC, vol. 22, pp. 177–196. Springer, Cham (2019). https://doi.org/10.1007/978-3-319-78512-7_10CrossRef

Qi, X., Fuller, E., Qin, W., Yezhou, W., Zhang, C.-Q.: Laplacian centrality: a new centrality measure for weighted networks. Inf. Sci. 194, 240–253 (2012)MathSciNetCrossRefMATH

Abbasi, A., Hossain, L.: Hybrid centrality measures for binary and weighted networks. In: Menezes, R., Evsukoff, A., González, M. (eds.) Complex Networks, pp. 1–7. Springer, Heidelberg (2013). https://doi.org/10.1007/978-3-642-30287-9_1

Kipf, T.N., Welling, M.: Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907 (2016)

Hamilton, W.L., Ying, R., Leskovec, J.: Inductive representation learning on large graphs. In: Proceedings of the 31st International Conference on NIPS, pp. 1025–1035 (2017)

Lamb, L.C., Grando, F., Granville, L.Z.: Machine learning in network centrality measures: tutorial and outlook. ACM Comput. Surv. 51(5), 1–32 (2018). Article 102

10.

Mendonça, M.R.F., Barreto, A., Ziviani, A.: Approximating network centrality measures using node embedding and machine learning. ACM 57 (2020)

11.

Zhao, G., Jia, P., Huang, C., Zhou, A., Fang, Y.: A machine learning based framework for identifying influential nodes in complex networks. IEEE Access 8, 65462–65471 (2020). https://doi.org/10.1109/ACCESS.2020.2984286CrossRef

12.

Maurya, S.K., Liu, X., Murata, T.: Graph neural networks for fast node ranking approximation. TKDD 15(5), 1–32 (2021)CrossRef

13.

Puzis, R., Dolev, S., Elovici, Y.: Routing betweenness centrality. In: Routing Betweenness Centrality, p. 27. IEEE (2010)

14.

Anthonisse, J.M.: The rush in a directed graph. Technical report BN 9/71. Stichting Mathematisch Centrum, Amsterdam, The Netherlands (1971)

15.

Newman, M.E.J.: Scientific collaboration networks. II. shortest paths, weighted networks, and centrality. Phys. Rev. E 64(1), 016132 (2001)CrossRef

16.

Kermack, W.O., McKendrick, A.G.: A contribution to the mathematical theory of epidemics. arXiv:1809.07695v4 (2019)

17.

Fan, C., Zeng, L., Ding, Y., Chen, M., Sun, Y., Liu, Z.: Learning to identify high betweenness centrality nodes from scratch: a novel graph neural network approach. In: CIKM, pp. 559–568 (2019)

18.

Brandes, U.: A faster algorithm for betweenness centrality. J. Math. Sociol. 25(2), 163–177 (2001)CrossRefMATH

19.

Haveliwala, T., Kamvar, S., Klein, D., Manning, C., Golub, G.: Computing PageRank using power extrapolation. Technical report, Stanford (2003)

20.

Reiterman, J., Rödl, V., Šinajová, E.: Geometrical embeddings of graphs. Discrete Math. 74(3), 291–319 (1989)MathSciNetCrossRefMATH

21.

Kranakis, E., Singh, H., Urrutia, J.: Compass routing on geometric networks. In: CCCG. Citeseer (1999)

22.

SciPy community: Statistical functions (scipy.stats)

Titel: Learning Centrality by Learning to Route
verfasst von: Liav Bachar
Aviad Elyashar
Rami Puzis
Verlag: Springer International Publishing
Buch: Complex Networks & Their Applications X
Print ISBN: 978-3-030-93408-8

Electronic ISBN: 978-3-030-93409-5

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-030-93409-5_21

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner