图自编码器模型作为网络表示学习的代表性方法,在链路预测和节点分类任务方面性能表现优异。然而,图自编码器模型在处理社区发现任务时通常只考虑局部节点连边的重建而忽略了社区全局结构的影响,尤其是在多个社区存在重叠节点的情况下,...图自编码器模型作为网络表示学习的代表性方法,在链路预测和节点分类任务方面性能表现优异。然而,图自编码器模型在处理社区发现任务时通常只考虑局部节点连边的重建而忽略了社区全局结构的影响,尤其是在多个社区存在重叠节点的情况下,难以准确判断节点归属关系和社区分布。针对此问题,该文提出了一种面向重叠社区发现的无监督模块度感知图自编码器模型(modularity-aware graph autoencoder model for overlapping community detection,GAME),GAME采用一种高效的模块度损失函数,该函数在网络嵌入过程中保留社区关系的同时,能重构损失并更新编码器的参数,以提高模型针对重叠社区发现任务的性能,进而将GAME得到的社区隶属度矩阵以概率-节点形式进行社区分配。该文提出的GAME在10个公开数据集上进行实验验证,并与主流的基于表示学习的重叠社区发现模型进行对比。实验结果表明:在归一化互信息(normalized mutual information,NMI)评估指标下,GAME模型性能优于主流模型,证明该模型有效。展开更多
文摘图自编码器模型作为网络表示学习的代表性方法,在链路预测和节点分类任务方面性能表现优异。然而,图自编码器模型在处理社区发现任务时通常只考虑局部节点连边的重建而忽略了社区全局结构的影响,尤其是在多个社区存在重叠节点的情况下,难以准确判断节点归属关系和社区分布。针对此问题,该文提出了一种面向重叠社区发现的无监督模块度感知图自编码器模型(modularity-aware graph autoencoder model for overlapping community detection,GAME),GAME采用一种高效的模块度损失函数,该函数在网络嵌入过程中保留社区关系的同时,能重构损失并更新编码器的参数,以提高模型针对重叠社区发现任务的性能,进而将GAME得到的社区隶属度矩阵以概率-节点形式进行社区分配。该文提出的GAME在10个公开数据集上进行实验验证,并与主流的基于表示学习的重叠社区发现模型进行对比。实验结果表明:在归一化互信息(normalized mutual information,NMI)评估指标下,GAME模型性能优于主流模型,证明该模型有效。
文摘河流以一定的边界形态承载着水流及物质的输移,受现场量测困难、水文观测站点有限及数字高程模型(digital elevation model,DEM)精度限制,导致分布在江河源区、山区和偏远地区的细小河流断面信息积累极为匮乏,阻碍了河流水文、水动力过程等方面的研究。国际水文协会(IAHS)自本世纪初力倡解决无测站流域水文预测难题,使得高精度提取无测站流域河流水文信息变得越来越重要。ICESat-2 (ice,cloud and land elevation satellite-2)卫星测高任务具有在缺资料地区采集高密度地表点云的能力。该文以黄河中游一级支流皇甫川流域缺资料地区河宽小于10m的细小河流为研究对象,提出了一种利用ICESat-2 ATL03数据提取山区细小河流断面形态的方法。通过光子点云中、高置信度选择、平滑滤波去噪处理和DEM构建,提取了3个不同点位细小河流断面形态并与无人机原位测量结果进行对比分析。结合中、高置信度点云选择和滤波去噪可以有效地去除光子点云噪声,去噪率在63%以上;基于ATL03数据提取的地面点完整度和丰富度优于利用ATL08产品对ATL03分类得到的地面点;基于ATL03数据提取的河流断面形态结果与无人机原位测量结果基本一致(R^(2)>0.96,RMSE=0.69m)。研究结果初步证明了ICESat-2测高数据用于缺资料地区细小河流断面提取的可行性,可为全流域三维河网构建、水文水动力过程模拟等提供技术支持。
