.png){kind=icon}
返回
TCPD: A transformer-based multi-scale framework for dynamic network change point detection
.png){kind=icon}
PRE
AI
DOI：10.1142/S0129183125420240.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态网络变点检测因其在社会网络、交通系统和生物调控网络等领域的广泛应用而成为一个重要的研究课题。然而，准确检测演化网络中的变点具有挑战性，因为变点稀少、标签获取成本高昂，且现有方法要么依赖强建模假设，要么难以捕捉多尺度时空依赖关系。为此，本文提出了一种基于Transformer的多尺度框架（TCPD），用于动态网络变点检测。TCPD首先构建多尺度表示，整合每个图快照的全局和局部特征，以更全面地刻画演化图模式。随后，两阶段Transformer架构建模时间演化，并通过引入焦点分数作为额外信号来突出变化较强的时片，提高了噪声动态下变点检测的可靠性。最后，超球面学习为正常时片塑造紧凑的潜在区域，并促使变片位于该区域之外，从而实现无需变点标签的端到端训练。在合成动态网络和四个真实动态网络上的广泛实验表明，TCPD在精度、召回率和F1分数方面均优于代表性基线方法，验证了其在动态网络变点检测中的有效性。
Keyword:
Dynamic networks
change point detection
transformer architecture
hypersphere learning
期刊
I
IF:
1.6
论文数:
147
被引数:
1
机构
引用论文
Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI?.png)
NeuroImage
OAAI
NeuroImageIF0
OAAI分享收藏Laplacian Change Point Detection for Dynamic GraphsProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容