.png){kind=icon}
返回
Structural-aware key node identification in hypergraphs via representation learning and fine-tuning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别战略重要节点的能力在塑造扩散结果和维护复杂系统稳定性方面发挥着决定性作用。然而，大多数现有方法仍基于成对交互假设，使其难以适用于因集体参与和属性共享而产生高阶结构的系统。在本工作中，我们引入了AHGA，这是一种基于学习驱动的框架，利用基于自编码器的表示、超图神经网络预训练和主动学习机制来揭示同时影响传播动态和结构凝聚力的节点。AHGA并非依赖手工设计的描述符，而是学习信息丰富的高阶特征，并通过选择性监督逐步优化节点重要性。在八个经验超图上的评估表明，该策略可产生更可靠的排名，相较于经典基线方法最高提升36.8%。除了排名准确率，AHGA优先排序的节点表现出显著的结构杠杆效应：移除这些节点会触发网络效率的加速损失，达到0.6628，显著超过竞争方法实现的破坏效果。这些发现表明，AHGA不仅推进了高阶节点识别方法学，也为虚假信息控制、基础设施韧性等场景中的干预策略提供了实际指导。
Keyword:
key node identification
hypergraph neural networks
representation learning
active learning
structural leverage
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
Generative hypergraph clustering: From blockmodels to modularity生成式超图聚类: 从块模型到模块化.png)
SCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏Identifying important nodes in complex networks based on extended degree and E-shell hierarchy decompositionSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Identifying Influential Nodes in Complex Networks Based on Information Entropy and Relationship StrengthEntropy
OAAI
EntropyIF0
OAAI分享收藏Cost-effective outbreak detection in networksProceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data miningOAAI
Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
查看更多内容