Resumen

El objetivo del aprendizaje de representación de redes es extraer abstracciones de nivel profundo a partir de las características de los datos, que también pueden ser vistas como un proceso de transformar los datos de alta dimensionalidad a características de baja dimensionalidad. Aprender las funciones de mapeo entre dos espacios vectoriales es un problema esencial. En este artículo, proponemos un nuevo índice de similitud basado en aprendizaje automático tradicional, que integra los conceptos de vecino común, camino local y apego preferencial. Además, para aplicar los métodos de predicción de enlaces al campo de la clasificación de nodos, hemos establecido de manera innovadora una arquitectura llamada autoencoder gráfico multitarea. Específicamente, en el contexto de la incrustación de redes profundas estructurales, la arquitectura diseña un marco de función de pérdida de alto orden al calcular la similitud de nodos desde múltiples ángulos para que el modelo pueda compensar la deficiencia de la función de pérdida de segundo orden. A través del ajuste fino de parámetros

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje de representación de redes; Abstracción a nivel profundo; Funciones de mapeo; índice de similitud; Métodos de predicción de enlaces; Autoencoder gráfico multitarea
• Keywords:Network representation learning; Deep-level abstraction; Mapping functions; Similarity index; Link prediction methods; Multitask graph autoencoder