检索结果-内蒙古大学图书馆

计算机工程与应用 2023年第9期59卷 237-244页

作者：李文举储王慧崔柳苏攀张干上海应用技术大学计算机科学与信息工程学院上海201418

在点云中进行三维目标检测时,小目标和复杂背景下目标的检测精度不足是突出的问题之一。针对该问题,提出了一种基于图采样和图注意力机制的3D点云目标检测方法。减小基准网络下采样体素大小以保持小目标的点云密度;引入图采样降低在点... 详细信息

在点云中进行三维目标检测时,小目标和复杂背景下目标的检测精度不足是突出的问题之一。针对该问题,提出了一种基于图采样和图注意力机制的3D点云目标检测方法。减小基准网络下采样体素大小以保持小目标的点云密度;引入图采样降低在点云中构造拓扑图的代价;通过对图采样前后的图分别嵌入自注意力机制,提高网络的特征提取能力。在KITTI数据集上与基准网络Point-GNN相比,对汽车目标在复杂场景上的检测精度提升了1.96%,对行人与骑行者目标在中等难度场景和复杂场景上的检测精度分别提升4.21%和2.57%;与Point-GNN相比,减少了15%的训练时间。实验结果表明,设计的方法对于3D点云中小目标和复杂背景下目标的检测更加有效,图采样方法还能够提升模型的训练效率。

关键词：点云 3D目标检测图神经网络图采样图注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于Motif的图采样算法

引用

南京大学学报（自然科学版） 2024年第4期60卷 552-565页

作者：石俊豪王欣邹杰军方宇蒋星西南石油大学计算机与软件学院成都610500

图采样通过对图数据进行约简操作,获得比原图的规模更小的图结构,进而服务于图谱分析、图可视化等下游任务.现有的图采样算法侧重于保留图中显著的结构特征而忽略了节点属性,导致采样图在许多下游任务如频繁模式挖掘等,难以取得预期效果... 详细信息

图采样通过对图数据进行约简操作,获得比原图的规模更小的图结构,进而服务于图谱分析、图可视化等下游任务.现有的图采样算法侧重于保留图中显著的结构特征而忽略了节点属性,导致采样图在许多下游任务如频繁模式挖掘等,难以取得预期效果.为此,提出基于Motif的节点有偏采样算法(Motif-Based Node Biased Sampling,MNBS),利用频繁Motif结构重新定义图中节点的重要性,随后进行有偏节点采样,实现融合节点属性与结构特征的采样.为了快速识别频繁Motif模式,设计了具有“提前终止”特性的Motif模式快速发现算法(Fast Motif-Pattern Discovery,FMPD),能高效且准确地发现Motif模式以支持图采样.实验表明,MNBS采样算法在多项指标上优于其他基线算法,其对数归一化累积组相关性指标平均降低0.54,使用包含“提前终止”特性策略的FMPD算法的时间消耗和内存消耗比基线算法分别降低56.1%和29.8%.

关键词：图采样图数据挖掘网络分析 Motif结构

来源：评论

学校读者我要写书评

暂无评论

基于图采样的多样性需求感知推荐模型

引用

计算机应用研究 2025年

作者：徐建民鲁平张雄涛河北大学网络空间安全与计算机学院南京大学信息管理学院河北大学管理学院

现有多样化推荐方法忽视个体多样性需求差异，导致推荐结果多样性适配不足。针对该问题提出基于图采样的多样性需求感知推荐模型，通过感知多样性需求强度与图结构优化实现个性化推荐多样性。该方法首先基于时间衰减加权的项目差异度量... 详细信息

现有多样化推荐方法忽视个体多样性需求差异，导致推荐结果多样性适配不足。针对该问题提出基于图采样的多样性需求感知推荐模型，通过感知多样性需求强度与图结构优化实现个性化推荐多样性。该方法首先基于时间衰减加权的项目差异度量化用户多样性需求强度。其次，提出基于多样性需求强度的自适应图采样策略，该策略利用用户多样性需求强度确定采样次数。通过贪心算法迭代选择邻域中差异性最高的节点，构建多样性需求感知子图用于图学习。然后，使用图神经网络从多样性需求感知子图中学习用户的多样化兴趣表示。最后，通过点积运算预测用户与候选项目间的交互概率，实现多样化推荐。实验部分采用两个公开数据集进行验证，所提模型在准确性指标上提升了约3%，在多样性指标上提升了约5%。结果表明，考虑用户多样性需求可以有效实现更好的准确性-多样性权衡。

关键词：图采样多样化推荐多样性需求图神经网络

来源：评论

学校读者我要写书评

暂无评论

基于代表性节点扩张的保持社区结构的图采样算法

引用

计算机科学 2024年第4期51卷 117-123页

作者：宏宇陈鸿昶张建朋黄瑞阳李邵梅郑州大学网络空间安全学院郑州450000 中国人民解放军战略支援部队信息工程大学信息技术研究所郑州450000

作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中。然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息。针对此问题,提出了一种保持社区结构的图采样算法。算法... 详细信息

作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中。然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息。针对此问题,提出了一种保持社区结构的图采样算法。算法主要分为两个步骤,第一步为初始化社区代表点,根据提出的节点重要度计算公式算出节点的重要度,然后选出每个社区的代表性节点;第二步为社区结构扩张,针对每个社区,选择可能引入最少额外邻居的节点加入社区中,直到达到该社区节点上限。在多个真实数据集上进行了对比实验,使用多个评价指标来评估实验结果。实验结果表明,所提出的采样算法能够很好地保持原始图的社区结构,为大规模图的社区结构采样提供了可行的解决方案。

关键词：图采样社区结构代表性节点扩张重要度

来源：评论

学校读者我要写书评

暂无评论

表征学习驱动的多重网络图采样

引用

浙江大学学报（理学版） 2022年第3期49卷 271-279,293页

作者：虞瑞麒刘玉华沈禧龙翟如钰张翔周志光杭州电子科技大学数字媒体与艺术设计学院浙江杭州310018 浙江财经大学信息管理与人工智能学院浙江杭州310018

已有的图采样方法侧重于单图采样,关注如何在一张图上通过采样保留其特定的拓扑结构特征。随着数据采集能力的提升,多重网络图在实际应用中越来越普遍,即相同的节点集在不同场景中具有不同的网络关系。针对传统图采样方法无法兼顾多重... 详细信息

已有的图采样方法侧重于单图采样,关注如何在一张图上通过采样保留其特定的拓扑结构特征。随着数据采集能力的提升,多重网络图在实际应用中越来越普遍,即相同的节点集在不同场景中具有不同的网络关系。针对传统图采样方法无法兼顾多重网络图结构特征的问题,提出了表征学习驱动的多重网络图采样算法。首先,设计融合多重网络图结构特征的图表征学习方法,将节点投影至二维的表征学习空间;其次,利用改进的自适应蓝噪声采样算法,考虑节点密度和网络连通性,从表征学习空间筛选节点,以保持其多重网络结构特征及图上下文结构特征。进而开发了一套多重网络图采样可视分析系统,支持用户交互式地探索多重网络图采样,并与已有采样算法进行对比。案例分析和评估实验证明了本文算法在多重网络图采样中的有效性。

关键词：多重网络图图采样可视分析评估

来源：评论

学校读者我要写书评

暂无评论

基于图采样与异质图神经网络的欺诈检测研究

基于图采样与异质图神经网络的欺诈检测研究

引用

作者：吕文韬杭州电子科技大学

学位级别：硕士

随着移动互联网的蓬勃发展,互联网服务逐渐人性化、便民化。这些互联网服务依托大数据与云计算的支撑,正在全方位改善人们的生活。然而,由于数据量的爆炸性增长,一些不法分子会将其欺诈行为隐藏在海量数据中,通过伪装成正常的互联网用... 详细信息

随着移动互联网的蓬勃发展,互联网服务逐渐人性化、便民化。这些互联网服务依托大数据与云计算的支撑,正在全方位改善人们的生活。然而,由于数据量的爆炸性增长,一些不法分子会将其欺诈行为隐藏在海量数据中,通过伪装成正常的互联网用户来逃避反欺诈系统的检测,进而实施一系列的犯罪行为来牟取利益。互联网中进行欺诈检测主要面临如下三大挑战:一是类别极度不平衡,由于互联网中用户基数大,欺诈者只占正常用户的万分之一甚至更低,因此欺诈检测模型很难高效地识别出欺诈者;二是欺诈者针对反欺诈系统的对抗攻击,欺诈者通过改变自身以往的行为,或模仿正常用户的行为来逃过反欺诈模型的检测,欺诈手段的快速变化也对欺诈检测系统提出了新的挑战;三是噪声信息多以及标签的稀缺,导致特征学习的指导信号弱,由于大多数数据缺乏完备的标签,噪声信息也会干扰模型的训练,如何在新场景中检测欺诈行为就成了又一挑战。基于以上描述,本文分别从数据层面的视角以及图结构层面的视角来切入欺诈检测领域,主要工作如下:(1)从数据层面看,由于欺诈检测任务中数据集极度不平衡,传统的数据采样算法并不能很好地应用在图结构数据中,因此,本文提出了一种基于异质图的过采样算法(Heterogeneous Graph SMOTE,HGSMOTE),将传统的过采样算法应用在异质图中。考虑到异质图中存在丰富的特征信息,而先前的过采样算法生成新的样本时会缺失相应的属性信息,因此本文在特征提取阶段,使用基于属性补全的异质图神经网络聚合节点信息。同时,使用异质图注意力网络来执行节点分类任务。在Amazon和Yelp Chi两个数据集上的实验结果证明了HGSMOTE算法的有效性。(2)从图结构层面看,考虑到欺诈者通常会通过伪装自身行为特征来对抗反欺诈系统的检测,映射到图结构层面即欺诈者往往倾向于与正常用户建立边的联系,因此,本文提出了一种基于多层注意力机制的异质图欺诈检测框架(Hierarchical Attention Fraud Detection,HAFD),具体来说,通过设计关系融合模块以及邻域融合模块来获取图结构特征,通过信息感知模块消除噪声信息并融合特征信息来生成最终的节点嵌入信息,通过面向不平衡的分类模块来修正数据中的不平衡现象,进而实现欺诈节点的成功分类。在Amazon和Yelp Chi两个数据集上的实验结果表明了HAFD可以有效地过滤掉模型训练中存在的噪声信息以及准确地识别出伪装了自身特征的欺诈者。

关键词：图采样异质图图注意力网络欺诈检测

来源：评论

学校读者我要写书评

暂无评论

基于GPU图采样的大图模型训练系统的设计与实现

基于GPU图采样的大图模型训练系统的设计与实现

引用

作者：印泓博北京邮电大学

学位级别：硕士

图深度学习方法作为分析图数据的有力工具被广泛应用于解决各种现实世界问题,并取得了巨大成功。随着图数据规模的快速增长,如何高效训练大规模图模型成为学术界和工业界关注的热门研究问题。现有的大规模图模型训练系统往往存在着图采... 详细信息

图深度学习方法作为分析图数据的有力工具被广泛应用于解决各种现实世界问题,并取得了巨大成功。随着图数据规模的快速增长,如何高效训练大规模图模型成为学术界和工业界关注的热门研究问题。现有的大规模图模型训练系统往往存在着图采样效率低、硬件配置需求高昂、可扩展性低等问题。对此,本论文围绕单机多卡环境下的大图模型训练,对基于GPU的大图采样、大规模异构图在多GPU上的计算子图生成、基于子图训练的大规模图模型训练等环节进行深入研究,设计并实现了基于GPU图采样的大图模型训练系统。具体而言,完成如下工作:1)为了解决GPU图采样中存储需求大、传输开销高的挑战,本论文提出了分块图压缩算法CGC。CGC利用新提出的线性估计压缩算法与混合编码方式,在压缩率与解压缩性能之间取得平衡。实验和理论分析证明CGC可以有效减少图文件大小并降低传输开销,同时支持以常数级别复杂度快速访问压缩后的邻居列表。2)实现了基于CGC算法的压缩图快速采样系统GraSS。它采用顶点并行模式,在单GPU上实现了多种对压缩图的图采样方法,加速图学习的端到端性能。在多张真实世界图和合成图上的实验结果表明,当目前最先进GPU采样系统不能有效完成采样任务时,GraSS仍可以高效支持大规模图上的各种图采样方法。3)当扩展到单机多GPU系统时,面对更大的图规模与更复杂的图结构,本论文设计并实现了多GPU计算子图生成技术。它采用分块策略提高生成的并行性能,能够高效完成图划分、图采样两阶段计算子图生成任务。通过真实世界中亿级顶点、十亿级边的大规模异构图验证了技术方案的有效性,为基于GPU图采样的大图模型训练系统提供训练数据支撑。4)设计并实现了基于GPU图采样的大图模型训练系统。该系统基于子图训练策略,可以在单机多卡环境下完成对大规模异构图的训练。系统通过随机子图组合策略缓解了子图训练带来的精度下降问题。而在大规模图数据上的实验表明,系统在减少一半GPU计算资源的情况下仍然能够有效完成图模型的训练任务。

关键词：图学习图采样大规模图处理 GPU

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的大规模图采样与图布局技术研究

基于深度学习的大规模图采样与图布局技术研究

引用

作者：张舒航西安电子科技大学

学位级别：硕士

图布局是图可视化研究中的一项关键技术。通过计算顶点或边在布局空间中的位置,使得布局呈现出清晰、美观的轮廓,进而体现出图中的结构以及社群的特征。然而,在面对大规模图时,图布局方法往往存在计算时间复杂度高、布局中大量元素堆叠... 详细信息

图布局是图可视化研究中的一项关键技术。通过计算顶点或边在布局空间中的位置,使得布局呈现出清晰、美观的轮廓,进而体现出图中的结构以及社群的特征。然而,在面对大规模图时,图布局方法往往存在计算时间复杂度高、布局中大量元素堆叠导致的视觉混乱的问题。尽管近期研究对布局的时间复杂度做了许多优化,但这些方法往往在布局质量上有所牺牲。图采样是压缩图数据的策略之一。通过特定的筛选策略保留图中的部分元素,使得采样后的子图能够保留原始图数据中的重要结构特征。图采样技术可以在高时间复杂度的布局算法中,从压缩数据规模的角度节约时间成本,同时又能避免布局结果中出现大量的元素堆叠。然而,如何在采样过程中有效地识别并保留重要的图特征,是当前图采样研究领域面临的关键难题。为了提升图布局的计算速度与图采样的重要结构特征保留效果,本文结合了深度学习技术,提出了新的解决方法。本文的主要贡献如下: (1)针对图采样过程中重要特征的识别问题,提出了基于全局-局部介数的顶点采样法GLBS。从连通性与最短路径的角度出发,综合评估顶点在全局与局部范围的重要程度,将部分重要性较高的顶点作为关键顶点进行保留。按采样比率保留关键顶点的邻域,以此来保留更多的原始图数据特征。实验结果表明,与现有的采样技术相比,GLBS方法在对图的全局与局部边缘特征的保留效果上具有明显的优势。 (2)为了优化GLBS方法在较大规模图上的计算速度,提出了基于DG-LSTM模型改进的Deep GLBS方法。使用GLBS方法中的顶点采样重要性评估算法,为训练数据集生成标签,通过监督学习的方式对模型进行训练。训练后的模型能够生成较为准确的采样重要性评估,与GLBS方法中的其他步骤结合,组成Deep GLBS方法。实验结果表明,这种方法较好地继承了原GLBS方法在图结构特征上的保留效果,且具有更低的时间开销。 (3)针对图布局算法的计算速度与布局质量优化的问题,提出了基于F-R损失的深度学习图布局方法。F-R损失函数基于F-R力导向布局模型设计,通过对模型中计算公式的推导,构造出可通过梯度下降求解的函数表示,进而用于深度学习模型的图布局任务训练。实验结果表明,F-R损失函数具有较好的收敛性,训练后的模型能够生成较理想的布局。案例研究表明,相较于应力损失,F-R损失训练的模型生成的布局更加美观,能够更清晰的刻画图数据中的社区以及边缘特征。

关键词：大规模图可视化图采样图布局深度学习

来源：评论

学校读者我要写书评

暂无评论

基于流量摘要和图采样的僵尸网络检测方法研究

基于流量摘要和图采样的僵尸网络检测方法研究

引用

作者：肖喜生中国科学院大学

学位级别：硕士

僵尸网络通过不断感染僵尸主机，发动网络钓鱼、发送带有恶意链接的邮件、比特币挖矿、DDoS攻击和窃取用户隐私等网络攻击活动，严重威胁国家网络空间安全。大多数僵尸网络检测方法仅仅针对单条网络流数据进行分类处理，没有考虑连续网... 详细信息

僵尸网络通过不断感染僵尸主机，发动网络钓鱼、发送带有恶意链接的邮件、比特币挖矿、DDoS攻击和窃取用户隐私等网络攻击活动，严重威胁国家网络空间安全。大多数僵尸网络检测方法仅仅针对单条网络流数据进行分类处理，没有考虑连续网络数据流的时序关联性，也没有对整个网络拓扑环境进行宏观建模。本文设计了一种基于流量摘要和图采样的僵尸网络检测方法，针对上述问题主要做了以下工作:　　(1)从网络流特征的角度出发，为了准确地描述特定时间窗口内主机的流量行为，提出了一种基于统计特征的网络流量摘要方法。通过对网络流量数据的源地址进行聚合处理，形成以主机为单位的数据分组，再划分适当的时间窗口，计算该窗口内不同协议流特征的统计指标，生成流量摘要记录。　　(2)深入研究了图模型应用于僵尸网络检测的可能性，利用图模型中节点的某些图特征可以描述该节点区别于其他节点的性质，构建僵尸网络检测模型。本文在上一步工作的基础上整合图特征，利用图采样技术对原始网络进行采样，通过采样子图提取图特征，提出了基于流量摘要和图采样的僵尸网络检测方法。首先对初始网络流数据进行流量摘要处理，重新标签后得到流量摘要记录，再将通过图采样得到的采样子图提取的图特征与流量摘要统计特征结合，利用机器学习算法训练检测模型。当检测模型学习好后，将待分类流量投入该检测模型中进行僵尸流量分类。　　(3)针对本文提出的基于流量摘要和图采样的僵尸网络检测方法，使用开源的僵尸网络数据集BoT-IoT和CTU-13进行验证和评估，利用常见的指标来衡量检测性能。实验结果表明，本文的方法不仅在检测已知僵尸网络上具有优异的效果，在检测未知僵尸网络上也有良好的检测性能。

关键词：僵尸网络检测流量摘要图采样机器学习

来源：评论

学校读者我要写书评

暂无评论

面向社区不均衡图的采样方法研究

面向社区不均衡图的采样方法研究

引用

作者：武宜韬中南大学

学位级别：硕士

图采样是一种化简大型关系网络的重要技术。它从原图中抽取一定数量的节点和边,形成规模相对较小的代表性样本子图。样本子图可用于估计原图拓扑特征、提升图计算效率和改进图可视化可读性。图采样通常要保留原图的社区结构,因为社区结... 详细信息

图采样是一种化简大型关系网络的重要技术。它从原图中抽取一定数量的节点和边,形成规模相对较小的代表性样本子图。样本子图可用于估计原图拓扑特征、提升图计算效率和改进图可视化可读性。图采样通常要保留原图的社区结构,因为社区结构是图的核心拓扑特性。但本文关注到图采样可能会受到社区不均衡性影响,即:当图中有多个社区且社区规模差异较大时,图采样往往难以保留所有社区,导致样本子图中无法完整呈现原图社区结构。为了验证这个经验性假设并解决社区不均衡图采样问题,本文从三个方面开展研究:（1）提出了一种图社区不均衡性度量指标。本文首先基于模块度方法对一个图进行社区划分;然后构造了两个社区规模分布向量,分别表征原图和社区均衡基准图的社区规模分布;最后通过距离散度来度量两个向量的差异性,距离越大说明该图的社区不均衡程度越高。本文构造了具有不均衡社区的仿真图数据集,通过多组对比实验验证了图社区不均衡性度量指标的有效性。（2）开展了社区不均衡性对图采样影响的实证研究。本文首先选取并实现了丰富的图采样算法和采样质量评价指标,全面收集了真实世界网络数据集。接着本文提出了三个经验假设。假设1:社区不均衡图的采样质量要差于社区均衡图;假设2:社区不均衡程度越高,则图采样质量越差;假设3:上述影响在所有图采样算法和所有采样率下都成立。最后本文设计了多组实验验证了这三个假设。结果表明,假设1和假设2成立,假设3部分成立。社区不均衡性对采样率0.3及以下的单种子游走类采样影响显著,对于更高的采样率和随机类采样算法以及多种子算法影响不显著。（3）提出了一种面向社区不均衡图的新采样方法。新采样方法的初始化阶段在每个社区中识别出社区中心作为采样种子节点;在采样阶段使用异步多路游走策略进行节点采样,该策略基于桥中心性分配节点访问概率,以控制有偏采样过程和鼓励采样过程进行跨社区游走;最后以采样节点集生成诱导子图作为采样结果。新采样方法可以直接嵌入大部分现有图采样算法中,不修改原采样算法的核心特性。多组实验结果表明,新采样方法能有效改进现有图采样算法在社区不均衡图上的采样质量。图28幅,表17个,参考文献97篇

关键词：图采样图可视化社区检测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：