论文标题

GIN-SD: Source Detection in Graphs with Incomplete Nodes via Positional Encoding and Attentive Fusion GIN-SD：基于位置编码和注意力融合的图中不完整节点源检测

论文链接

GIN-SD: Source Detection in Graphs with Incomplete Nodes via Positional Encoding and Attentive Fusion论文下载

论文作者

Le Cheng, Peican Zhu, Keke Tang, Chao Gao, Zhen Wang

内容简介

本文提出了一种新颖的框架GIN-SD，旨在解决图中不完整节点的源检测问题，特别是在谣言源识别领域。现有的源检测方法通常依赖于完整的用户数据，而GIN-SD通过引入位置编码模块和自注意力机制，能够有效处理不完整用户数据。该框架首先利用位置嵌入模块区分不完整节点，并通过自注意力机制聚焦于信息传递能力更强的节点。此外，为了减轻源节点和非源节点数量差异带来的预测偏差，本文还引入了类别平衡机制。通过在多个公开数据集上的广泛实验，结果表明GIN-SD在源检测任务中表现优于现有的最先进方法。

分点关键点

1. GIN-SD框架

   • GIN-SD框架通过位置编码和注意力融合来处理不完整节点的源检测问题。位置嵌入模块利用拉普拉斯位置编码将用户状态和传播信息嵌入特征向量中，以区分不完整节点。
     

2. 自注意力机制

   • 自注意力机制用于自动分配不同的注意力权重给不同的用户，特别是关注信息传递能力更强的节点。这种机制提高了模型对重要节点的关注，从而增强了源检测的准确性。

3. 类别平衡机制

   • 为了应对源节点和非源节点数量不平衡的问题，GIN-SD引入了类别平衡机制，通过增加源节点的权重并减少非源节点的权重，确保模型能够同时关注两类节点。

4. 实验验证

   • 在八个公开数据集上的实验结果表明，GIN-SD在处理不完整节点的源检测任务中表现出色，优于现有的最先进方法，显示出其在实际应用中的潜力。
     

论文代码

代码链接：https://github.com/your-repo/GIN-SD (假设的链接，实际链接需根据论文提供的内容确认)

中文关键词

1. 不完整节点
2. 源检测
3. 谣言识别
4. 位置编码
5. 自注意力机制
6. 类别平衡机制

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！