Traditional graph sampling methods

Traditional graph sampling methods reduce the size of a large network via uniform sampling of nodes from the original network. The sampled network can be used to estimate the topological properties of the original network. However, in some application domains (e.g., disease surveillance), the goal of sampling is also to help identify a specified category of nodes (e.g., affected individuals) in a large network. This work therefore aims to, given a large information network, sample a subgraph under a specific goal of acquiring as many nodes with a particular category as possible. We refer to this problem as supervised sampling, where we sample a large network for a specific category of nodes. To this end, we model a network as a Markov chain and derive supervised random walks to learn stationary distributions of the sampled network. The learned stationary distribution can help identify the best node to be sampled in the next iteration. The iterative sampling process ensures that with new sampled nodes being acquired, supervised sampling can be strengthened in turn. Experiments on synthetic as well as real-world networks show that our supervised sampling algorithm outperforms existing methods in obtaining target nodes in the sampled networks.

ผลลัพธ์ (ไทย) 1:

วิธีการสุ่มตัวอย่างกราฟแบบดั้งเดิมลดขนาดของเครือข่ายขนาดใหญ่ผ่านสม่ำเสมอของโหนจากเครือข่ายเดิม เครือข่ายตัวอย่างใช้ในการประเมินคุณสมบัติ topological ของเครือข่ายเดิม อย่างไรก็ตาม ในบางโปรแกรมประยุกต์โดเมน (เช่น เฝ้าระวังโรค), เป้าหมายของการสุ่มตัวอย่างก็เพื่อ ช่วยระบุประเภทระบุโหน (เช่น ได้รับผลกระทบบุคคล) ในเครือข่ายขนาดใหญ่ งานนี้จึงมีวัตถุประสงค์เพื่อ ได้รับเครือข่ายข้อมูลขนาดใหญ่ ตัวอย่าง subgraph ภายใต้เป้าหมายเฉพาะของโหนมากกับประเภทเฉพาะที่เป็นไปได้ เราอ้างอิงถึงปัญหานี้เป็นการสุ่มตัวอย่าง ที่เราตัวอย่างเครือข่ายขนาดใหญ่สำหรับประเภทเฉพาะของโหนภายใต้ดูแล ด้วยเหตุนี้ เราแบบเครือข่ายเป็นลูกโซ่ Markov และสืบทอดดูแลสุ่มเดินการเรียนรู้แบบการกระจายของเครือข่ายตัวอย่าง การกระจายแบบเรียนรู้สามารถช่วยระบุโหนที่ดีที่สุดเพื่อลิ้มลองได้ในการเกิดซ้ำถัดไป กระบวนการสุ่มตัวอย่างซ้ำใจว่า กับใหม่โหนตัวอย่างการได้มา การสุ่มตัวอย่างภายใต้การดูแลสามารถทำให้กลับ การทดลองบนเครือข่ายที่สังเคราะห์ เป็นจริงแสดงว่า อัลกอริทึมของเราดูแลอย่างมีประสิทธิภาพสูงกว่าวิธีที่มีอยู่ในการได้รับเป้าหมายโหนดในเครือข่ายตัวอย่าง

ผลลัพธ์ (ไทย) 2:

วิธีการสุ่มตัวอย่างแบบดั้งเดิมกราฟลดขนาดของเครือข่ายขนาดใหญ่ผ่านการสุ่มตัวอย่างเครื่องแบบของโหนดจากเครือข่ายเดิม เครือข่ายตัวอย่างสามารถใช้ในการประเมินคุณสมบัติของทอพอโลยีเครือข่ายเดิม อย่างไรก็ตามในบางโดเมนโปรแกรมประยุกต์ (เช่นการเฝ้าระวังโรค) เป้าหมายของการสุ่มตัวอย่างยังจะช่วยให้ระบุหมวดหมู่ที่กำหนดของโหนด (เช่นบุคคลที่ได้รับผลกระทบ) ในเครือข่ายขนาดใหญ่ งานนี้จึงมีวัตถุประสงค์เพื่อให้เครือข่ายข้อมูลขนาดใหญ่ตัวอย่าง subgraph ภายใต้เป้าหมายที่เฉพาะเจาะจงของการแสวงหาโหนดจำนวนมากเช่นเดียวกับหมวดหมู่เฉพาะที่เป็นไปได้ เราพูดถึงปัญหานี้เป็นสุ่มตัวอย่างภายใต้การดูแลที่เราลิ้มลองเครือข่ายขนาดใหญ่สำหรับประเภทเฉพาะของโหนด ด้วยเหตุนี้เราเป็นรูปแบบเครือข่ายห่วงโซ่มาร์คอฟและได้รับมาดูแลสุ่มเดินไปเรียนรู้การกระจายนิ่งของเครือข่ายตัวอย่าง การกระจายนิ่งเรียนรู้ที่สามารถช่วยระบุโหนดที่ดีที่สุดเพื่อเก็บตัวอย่างในการทำซ้ำต่อไป ขั้นตอนการสุ่มตัวอย่างซ้ำเพื่อให้แน่ใจว่ามีต่อมน้ำตัวอย่างใหม่ที่ได้รับการสุ่มตัวอย่างดูแลสามารถจะมีความเข้มแข็งในการเปิด การทดลองในสังเคราะห์เช่นเดียวกับเครือข่ายที่แท้จริงของโลกแสดงให้เห็นว่าขั้นตอนวิธีการสุ่มตัวอย่างภายใต้การดูแลของเรามีประสิทธิภาพดีกว่าวิธีการที่มีอยู่ในการได้รับโหนดเป้​​าหมายในเครือข่ายตัวอย่าง

ผลลัพธ์ (ไทย) 3:

กราฟตัวอย่างแบบดั้งเดิมวิธีการลดขนาดของเครือข่ายขนาดใหญ่ผ่านทางชุดของจำนวนโหนดจากเครือข่ายเดิม ตัวอย่างเครือข่ายที่สามารถใช้เพื่อประเมินคุณสมบัติโทโปโลยีของเครือข่ายเดิม อย่างไรก็ตาม ในบางโปรแกรม เช่น ข้อมูลการเฝ้าระวังโรค ) , เป้าหมายของการสุ่มตัวอย่างยังช่วยระบุประเภทของโหนดที่ระบุ ( เช่น ผลกระทบ บุคคล ) ในเครือข่ายขนาดใหญ่ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อให้ข้อมูลเครือข่ายขนาดใหญ่ ตัวอย่าง subgraph ภายใต้เป้าหมายที่เฉพาะเจาะจงของการรับเป็นโหนดหลายประเภทใดมากที่สุด เราเรียกปัญหานี้เป็นแบบสุ่ม ซึ่งเราใช้เป็นเครือข่ายขนาดใหญ่สำหรับประเภทเฉพาะของโหนด จุดนี้เราแบบเครือข่ายเป็นลูกโซ่มาร์คอฟและการสืบทอดการสุ่มเดินเรียนรู้เครื่องเขียน การแจกแจงของตัวอย่าง เครือข่าย เรียนรู้เครื่องเขียนจำหน่ายสามารถช่วยระบุโหนดที่ดีที่สุดที่จะเก็บในรูปถัดไป วนซ้ำเพื่อให้แน่ใจว่ามีขั้นตอนการสุ่มตัวอย่างใหม่ตัวอย่างโหนดได้รับดูแลตัวอย่างสามารถมีความเข้มแข็ง ในการเปิด การทดลองสังเคราะห์รวมทั้งเครือข่ายจริงแสดงให้เห็นว่าวิธีการดูแลตัวอย่างอัลกอริทึมมีประสิทธิภาพดีกว่าที่มีอยู่ในการโหนตัวอย่างเป้าหมายในเครือข่าย