[论文解读] New feature for Complex Network based on Ant Colony Optimization for High Level Classification.

Josimar Edinson Chire Saire|arXiv (Cornell University)|Aug 29, 2020

Neural Networks and Applications参考文献 12被引用 5

一句话总结

本文提出了一种基于蚁群优化（ACO）方法的新型高级特征，用于复杂网络，以提升分类性能。通过基于ACO的路径探索建模网络结构，该方法捕捉对类别差异敏感的结构模式，在传统局部和全局特征的基础上显著提高了分类准确率。

ABSTRACT

Low level classification extracts features from the elements, i.e. physical to use them to train a model for a later classification. High level classification uses high level features, the existent patterns, relationship between the data and combines low and high level features for classification. High Level features can be got from Complex Network created over the data. Local and global features are used to describe the structure of a Complex Network, i.e. Average Neighbor Degree, Average Clustering. The present work proposed a novel feature to describe the architecture of the Network following a Ant Colony System approach. The experiments shows the advantage of using this feature because the sensibility with data of different classes.

研究动机与目标

• 开发一种新型高级特征，用于复杂网络，以捕捉超越标准局部和全局度量的结构模式。
• 通过将该新型特征与现有低级和高级特征结合，提升分类性能。
• 评估所提特征在基于复杂网络分类中的不同数据类别下的敏感性。
• 展示在复杂网络分析中使用ACO启发的结构特征在分类任务中的优势。

提出的方法

• 该方法使用蚁群系统（ACS）对网络结构进行建模，以模拟基于信息素的节点间路径选择。
• 蚂蚁根据节点连通性和信息素水平遍历网络，信息素更新反映路径的频率和质量。
• 该特征源自蚂蚁遍历路径的分布和密度，代表了涌现的结构模式。
• 将所提特征与标准的局部特征（如平均邻居度数）和全局特征（如平均聚类系数）结合。
• 利用整合后的特征集训练分类器，用于高级分类任务。
• 迭代ACO过程以稳定信息素分布并提取稳健的结构表征。

实验结果

研究问题

• RQ1 如何将蚁群优化方法适配以从复杂网络中提取有意义的结构特征？
• RQ2 与标准网络度量相比，所提出的基于ACO的特征是否能提升对不同数据类别的分类敏感性？
• RQ3 当与传统局部和全局特征结合时，ACO衍生特征在高级分类中的贡献是什么？
• RQ4 ACO基特征能否捕捉到更具判别性的潜在结构模式？

主要发现

• 所提出的基于ACO的特征通过捕捉复杂网络中对类别敏感的结构模式，提升了分类性能。
• 与传统局部和全局特征相比，该特征对不同类别的数据表现出更高的敏感性。
• 将ACO衍生特征与现有特征结合，可提升分类准确率。
• 该方法通过自适应路径探索有效建模网络结构，揭示了隐藏的结构关系。
• 实验结果证实，基于ACO的特征在高级分类中对标准网络度量具有有意义的补充作用。