.png){kind=icon}
返回
FGSSI: A Feature-Enhanced Framework With Transferability for Sequential Source Identification
.png){kind=icon}
PRE
AI
DOI：10.1109/TDSC.2025.3545270.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于快照观测的源定位因成本低、易获取而备受关注。然而，现有方法未能充分处理时变感染场景中用户交互的影响，导致在异构交互环境下定位精度降低。为解决这些问题并确保在不同场景下的可迁移性和适用性，本文提出了一种基于序列到序列架构的归纳式定位框架，命名为基于特征表示的图序贯源识别（FGSSI）。具体而言，FGSSI采用基于用户特征构造的编码器，通过评估不同时间戳下个体的动态和静态行为属性，构建其低维嵌入。此外，FGSSI使用基于图GRU的解码器，结合时序注意力机制，通过将图拓扑信息融入序贯模型，并处理时序特征下的不平衡感染信息，来推断源节点。值得一提的是，由于采用了所提出的归纳学习方法，FGSSI无需先验知识即可在新场景中检测源节点。综合使用SOTA方法的实验结果表明，FGSSI具有卓越的检测性能和可迁移性。
Keyword:
Source identification
sequence-to-sequence learning
user's interactive behavior
temporal attention
inductive learning
期刊
IF:
7.5
论文数:
2.4K
被引数:
9.6K
机构
引用论文
.png){kind=icon}
Exploring the credibility of online celebrities' Instagram profiles in influencing the purchase decisions of young female users探讨网红Instagram个人资料在影响年轻女性用户购买决策中的可信度
OAAI
OAAI分享收藏A Heuristic Framework for Sources Detection in Social Networks via Graph Convolutional Networks
PREAI
分享收藏
查看更多内容