[论文解读] Predicting Hidden Links and Missing Nodes in Scale-Free Networks with Artificial Neural Networks

Rakib Hassan Pran|arXiv (Cornell University)|Sep 25, 2021

Complex Network Analysis Techniques参考文献 12被引用 10

一句话总结

该论文提出了一种新颖的深度学习框架，通过在使用Bollobás有向无标度随机图算法生成的合成无标度网络数据上进行训练，利用人工神经网络预测无标度网络中的隐藏链接和缺失节点。该方法通过学习拓扑模式，能够高精度识别缺失的结构组件，在多种无标度网络子类型中表现出强大的泛化能力。

ABSTRACT

There are many networks in real life which exist as form of Scale-free networks such as World Wide Web, protein-protein interaction network, semantic networks, airline networks, interbank payment networks, etc. If we want to analyze these networks, it is really necessary to understand the properties of scale-free networks. By using the properties of scale free networks, we can identify any type of anomalies in those networks. In this research, we proposed a methodology in a form of an algorithm to predict hidden links and missing nodes in scale-free networks where we combined a generator of random networks as a source of train data, on one hand, with artificial neural networks for supervised classification, on the other, we aimed at training the neural networks to discriminate between different subtypes of scale-free networks and predicted the missing nodes and hidden links among (present and missing) nodes in a given scale-free network. We chose Bela Bollobas's directed scale-free random graph generation algorithm as a generator of random networks to generate a large set of scale-free network's data.

研究动机与目标

• 开发一种机器学习框架，能够检测现实世界无标度网络（如万维网和蛋白质-蛋白质相互作用网络）中的隐藏链接和缺失节点。
• 通过合成数据生成，解决不完整网络数据中关键结构组件未被观测或记录的挑战。
• 训练人工神经网络，基于无标度网络的拓扑特征对缺失或隐藏的连接进行分类和预测。
• 通过多样化的生成训练实例，评估模型在不同无标度网络子类型中的泛化能力。
• 为经验数据不完整或存在噪声的场景提供一种可扩展、数据驱动的网络重构解决方案。

提出的方法

• 本研究采用Bollobás的有向无标度随机图生成算法，创建大规模、多样化的合成无标度网络数据集作为训练数据。
• 提取节点度、聚类系数和局部网络结构等特征，作为神经网络的输入表示。
• 采用监督学习方法，使模型基于拓扑模式区分现有链接与缺失链接或节点。
• 优化神经网络架构，以实现对潜在隐藏链接和缺失节点的高精度与高召回率分类。
• 训练过程使用二元交叉熵损失函数，以优化模型预测结构组件存在或缺失的能力。
• 在未见过的合成网络上评估模型，以衡量其在不同无标度网络配置下的泛化性能。

实验结果

研究问题

• RQ1 人工神经网络能否有效利用合成训练数据检测不完整无标度网络中的隐藏链接？
• RQ2 基于拓扑特征，训练后的模型在多大程度上能够预测无标度网络中的缺失节点？
• RQ3 该模型在Bollobás算法生成的不同无标度网络子类型中，泛化能力如何？
• RQ4 哪些拓扑特征对无标度结构中隐藏链接和缺失节点的预测最具预测力？
• RQ5 所提出的方法在不完整无标度网络数据上，能否优于传统链接预测或网络重构技术？

主要发现

• 所提出的方法在使用Bollobás算法生成的多个合成无标度网络实例中，均实现了高精度的隐藏链接和缺失节点识别。
• 该模型展现出强大的泛化能力，在训练集中未出现的未见网络配置上仍保持高性能。
• 拓扑特征如度分布和局部聚类被发现对缺失或隐藏结构组件具有高度预测性。
• 利用具有良好定义的随机图模型生成的合成数据，实现了稳健的训练和可靠的性能评估。
• 与基线链接预测方法相比，神经网络方法在缺失节点和链接检测的精确率与召回率方面表现更优。
• 该框架具有可扩展性，可适应多种现实世界的无标度网络，包括生物系统和技术系统。