[论文解读] Network Classification in Temporal Networks Using Motifs
本文提出了一种基于基序的网络嵌入方法，通过分析时间网络基序相对于零模型的分布，对时间网络进行分类。结果表明，结合时间基序和静态基序特征可使分类准确率相较于最先进的方法（如 struc2vec）提高多达10%，尤其在网络类型分类和基于行为模式的个体识别任务中表现显著。
Network classification has a variety of applications, such as detecting communities within networks and finding similarities between those representing different aspects of the real world. However, most existing work in this area focus on examining static undirected networks without considering directed edges or temporality. In this paper, we propose a new methodology that utilizes feature representation for network classification based on the temporal motif distribution of the network and a null model for comparing against random graphs. Experimental results show that our method improves accuracy by up $10\%$ compared to the state-of-the-art embedding method in network classification, for tasks such as classifying network type, identifying communities in email exchange network, and identifying users given their app-switching behaviors.
研究动机与目标
- 开发一种用于时间网络分类的特征表示方法，以捕捉结构和动态模式。
- 探究时间基序是否相较于静态基序能为网络类型分类和个体网络识别提供更具区分性的信息。
- 在真实世界的时间网络分类任务中，对比基于基序的嵌入方法与最先进的 struc2vec 方法的性能。
- 评估结合静态与时间基序特征在提升网络识别和分类性能方面的有效性。
提出的方法
- 该方法使用从时间基序和静态基序中提取的子图比率轮廓（SRPs）构建固定长度的特征向量。
- 采用零模型判断观察到的基序频率是否显著偏离随机期望，以识别具有统计显著性的基序。
- 时间基序被定义为在时间戳定向边序列上的诱导子图，同时捕捉拓扑结构和时间顺序。
- 该方法计算时间基序和静态基序的SRPs，并将它们拼接形成混合特征表示。
- 该框架在真实世界数据集上结合多种机器学习模型（XGBoost、SVM、随机森林和AdaBoost）进行应用。
- 通过网格搜索和10折交叉验证对超参数进行调优，以确保性能评估的稳健性。
实验结果
研究问题
- RQ1与静态基序分布相比，时间基序分布能否提升网络分类的准确率？
- RQ2在网络识别任务中，结合静态与时间基序特征是否优于单独使用任一类型？
- RQ3所提出的基于基序的嵌入方法在分类网络类型和从行为网络中识别个体方面，与最先进的struc2vec方法相比表现如何？
- RQ4引入时间动态在多大程度上增强了网络嵌入的判别能力？
主要发现
- 与最先进的struc2vec方法相比，基于时间基序的嵌入在网络类型分类任务中准确率最高提升了10%。
- 时间基序与静态基序特征的组合（Temp+Static）显著优于单独使用任一成分，表明结构与动态模式提供了互补信息。
- 在所有测试模型中，XGBoost结合拼接的时间与静态基序特征实现了最高准确率。
- 仅使用时间信息相比静态表示也带来了可测量的性能提升，证实了动态信息在网络表征中的价值。
- 所提出方法在多个数据集和任务中持续优于struc2vec，包括电子邮件网络中的部门识别和应用切换行为中的用户识别。
- 结果表明，基于基序的嵌入在分类不同规模和时间跨度的网络方面均有效，提供了一种稳健且可扩展的解决方案。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。