.png){kind=icon}
返回
Multi-Source Localization Based on Graph Representation Learning and Bayesian Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3644931.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
源定位是扩散过程的逆问题，对于追踪社会谣言、识别流行病传播者以及检测计算机病毒至关重要。基于快照观测的多源定位因其成本低廉和易于获取而受到广泛关注。然而，病态性以及高度依赖扩散模型等问题阻碍了有效解决方案的实现。现有方法通常依赖确定性技术，需要搜索整个图空间，难以有效编码拓扑信息，且局限于单一扩散模型。为解决这些局限性，我们提出了基于表示学习和贝叶斯优化的源定位（SL-RLBO）框架，该框架通过蒙特卡罗模拟量化源的不确定性。具体而言，我们首先开发了一种新颖算法，用于同时从单个快照估计扩散参数和时间。然后，我们利用多源反向感染算法识别候选源，并借助图表示学习技术捕捉隐含的拓扑特征。最后，我们构建了一个适用于各种扩散模型的目标函数，并使用贝叶斯优化对其进行高效优化。在两个合成数据集和六个真实世界数据集上进行的大量实验和案例研究表明，SL-RLBO在多种扩散模型下均能持续优于四种现有最优基线方法，平均将误差距离降低了18.94%。
Keyword:
Bayesian optimization
graph representation learning
multi-source localization
parameter estimation
期刊
I
IF:
7.9
论文数:
2.5K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容