面向外包计算的图结构数据隐私计算模型研究

大规模移动轨迹、社交网络等高维图数据应用广泛且包含大量隐私信息,云计算的快速发展使得用户将图数据的存储和计算任务外包给云服务器。然而,云服务器并非完全可信且图数据拓扑结构和节点关联关系复杂,如何在云计算环境下实现隐私保护的图数据计算成为值得研究的课题。针对以上问题,对现有外包计算环境下的图数据隐私计算模型进行了全面分析和总结。首先针对云计算环境下图数据隐私保护模型进行梳理;然后对现有加密图数据隐私查询类型进行分类与分析;最后,提出了外包计算环境下图结构数据的隐私计算研究需要解决的关键问题与解决思路。

GICDBS:一种支持动态图结构数据更新的索引方式

提出一种基于CDBS编码的索引方式——GICDBS,并详细阐述了其对图结构数据动态更新的支持.实验证明,G ICDBS索引结构不仅可以实现线性的可达性查询时间效率和索引空间复杂度,而且能够有效地支持数据的动态更新.

基于图神经网络的关系抽取研究综述

在关系抽取任务中,通常利用构建依赖树或句法树来获得更深层和丰富的结构信息.图神经网络作为一种强大的图结构数据表示学习方法,可以更好地对这种复杂数据结构进行建模.本文介绍了基于图神经网络的关系抽取方法,旨在深入理解该领域的最新研究进展和趋势.首先简要介绍了图神经网络的分类和结构,然后详细阐述了基于图神经网络的关系抽取方法的核心技术和应用场景,包括句子级和文档级方法,以及实体关系联合抽取方法.并分析和比较了各个方法的优缺点和性能表现,并探讨了未来可能的研究方向和挑战.

图神经网络研究综述

随着人工智能的快速发展,深度学习已经在图像、文本和语音等可在欧氏空间表示的数据中取得了巨大成功,但却一直无法很好地应用于非欧氏空间。近年来,图神经网络在非欧几里得空间中展现出了强大的表示学习能力,并广泛应用于推荐系统、自然语言处理以及机器视觉等众多领域。图神经网络模型基于信息的传播机制,具体地,图中的目标节点通过聚合邻居节点的信息来更新自身的嵌入表示。利用图神经网络,可将众多现实问题(如社交网络、知识图谱和药物化学成分等)抽象成图网络,借助图中的连接边,对不同节点之间的依赖关系进行合理建模。鉴于此,对图神经网络进行了系统综述,首先介绍了图结构数据方面的基础知识,然后对图游走算法和不同类型的图神经网络模型进行了系统梳理。进一步地,详细阐述了当前图神经网络的通用框架和应用领域,最后对图神经网络的未来进行了总结与展望。

改进的掩码图自编码器模型

图自编码器(GAE)作为深度学习领域的重要模型之一,近年来受到了广泛关注。但GAE倾向于以牺牲图的结构信息为代价过度强调邻近信息,使其不适用于链接预测之外的下游任务。针对传统GAE存在的问题,研究者们在图自编码器模型中引入掩码策略,形成掩码图自编码器模型处理图数据。基于此,提出改进的掩码图自编码器(MaskGAE)模型,MaskGAE采用掩码图模型(MGM)作为代理任务,掩蔽一部分边,并尝试用部分可见的、未掩蔽的图结构来重建丢失的部分。在Cora数据集上通过调参将MaskGAE模型节点分类准确率提升了0.5%。

汉字识别中图特征提取方法

为解决图像像素表示汉字特征方法不能有效表示汉字本质特征、空间复杂度较高的问题,提出了一种汉字图特征提取方法。方法主要包含汉字图像二值化,汉字图像骨架提取,汉字图特征提取3个部分;二值化消除图像中的噪声,提高图特征提取的准确度;骨架提取保留图像中重要的像素点,剔除无关的像素点;图特征提取将汉字关键点与图数据结构结合来表示汉字形状特征。在3 908个常用汉字的5种字体上进行实验。结果表明,该方法能够正确提取笔画复杂汉字的图特征,有效表示汉字本质特征;不同字体汉字图特征相同的汉字数量最高为3 195个,方法表现较稳定;平均每个汉字可以用22.6个图节点、19.1个边表示,相较于用单通道图像表示汉字特征,可大幅降低空间复杂度。

基于社交网络图节点度的神经网络个性化传播算法研究

图是一种重要且基础的数据结构,存在于各种各样的实际场景中。而随着近年来互联网的高速发展,社交网络图数据大量增加,对这些数据进行分析对公共服务、广告营销等实际场景有重要作用。目前已经有不少的图神经网络算法在此类问题中取得了较好的结果,但依然有提升的空间,在很多追求高准确度的场景下,工程师依然希望有性能更好的算法可供选择。文中对神经网个性化传播算法进行了改进,提出了新的可用于社交图网络的图神经网络算法DPPNP。相比于传统图神经网络算法,在信息于节点之间传播时,该算法会根据节点的度对不同节点按不同比例保留自身信息,以提高准确度。在真实数据集上的实验结果表明,与已有的图神经网络算法相比,该算法拥有更好的性能。

统计数据分析的若干挑战与进展

大数据时代,数据的特征相较以往已经发生了巨大的变化,从而对传统的统计数据分析提出了新的挑战.本文将从若干角度介绍大数据分析的机遇与挑战,并回顾近年来在相关领域的研究进展.

图数据库在工程数据中心的应用

为了提升工程建设及运维过程的工作效率和质量,建设覆盖工程全过程的全生命周期工程数据中心具有重大意义。工程数据中心数据建设的特点在于数据之间关联的多样化和复杂化,为适应这样的数据存储需求,采用区别于关系型数据库的图数据库构建工程主数据的存储方案,以维护其复杂多变的关联关系,并为基于图结构数据进行数据分析应用提供了可能。

基于噪声过滤与特征增强的图神经网络欺诈检测方法

现有的基于图神经网络(Graph Neural Network,GNN)的欺诈检测方法还存在三个方面的不足:(1)没有充分考虑到样本标签分布不平衡的问题;(2)没有考虑欺诈者为了躲避检测器的检测,故意制造噪声干扰检测的问题;(3)没有考虑欺诈类型数据联系稀疏问题.为此,本文提出一种基于噪声过滤与特征增强的图神经网络欺诈检测方法NFE-GNN(Noise Filtering and feature Enhancement based Graph Neural Network method for fraud detection)来改善欺诈检测性能.该方法首先基于数据集的欺诈率对样本进行平衡采样;在此基础上,采用一个参数化距离函数计算节点间的相似度,并通过强化学习得到最优的噪声过滤阈值;最后,通过创建欺诈样本间的联系,丰富拓扑信息,以达到增强欺诈类特征嵌入表示的目的.在两个公开数据集上的实验结果表明,本文所提NFE-GNN方法的性能优于目前主流的图神经网络欺诈检测方法.

基于图神经网络GraphVAE的兵棋态势预测方法

在战场上敌我双方作战的过程中,准确地预测敌方的兵力部署将有利于我方的作战。基于兵棋推演的态势数据,通过训练图神经网络,提出了预测敌方未知算子位置的方法。首先,在对数据进行预处理后,实现了态势到图结构数据的转化,构造了兵棋态势的图结构数据集,用于图神经网络的训练。其次,根据兵棋态势及其数据的特点改造了GraphVAE模型,实现了兵棋态势图结构数据的补全。最后设计了基于补全后的图结构数据,计算敌方算子位置的方法。通过实验证实了该方法的有效性和可行性。

基于Apriori图挖掘算法的优化及其在3D构造解析的应用

基于Apriori的图挖掘(Apriori-based Graph Mining,AGM)算法结构简单,以递归统计为基础,但在面临庞大图数据集时,由于存在子图同构问题,在生成候选子图时容易产生很多冗余子图,增大了计算时间的开销。因此在AGM算法基础上提出一种改进方法,通过增加约束来减少候选子图生成数量,同时引入三次元坐标对图的顶点间的距离进行计算,并归结到边的标识当中,以处理三维图结构数据。通过改进算法对化学化合物进行分析,描述其三维化学结构以及生理活性上的相互关系,并测试了不同条件下改进方法的时间开销,实验结果表明在边标识数较多的情况下改进算法比原算法缩短了计算时间,提高了效率。

图神经网络综述

近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题,对节点之间的依赖关系进行建模,从而能够很好地处理图结构数据.鉴于此,系统综述了图神经网络模型以及应用.首先从谱域、空间域和池化3方面对图卷积神经网络进行了阐述.然后,描述了基于注意力机制和自编码器的图神经网络模型,并补充了一些其他方法实现的图神经网络.其次,总结了针对图神经网络能不能做大做深等问题的讨论分析.进而,概括了图神经网络的4个框架.还详细说明了在图神经网络在自然语言处理、计算机视觉等方面的应用.最后,对图神经网络未来的研究进行了展望和总结.相较于已有的图神经网络综述文章,详细阐述了谱理论知识,并对基于谱域的图卷积神经网络体系进行全面总结.同时,给出了针对空间域图卷积神经网络效率低的改进模型这一新的分类标准.并总结了针对图神经网络表达能力、理论保障等的讨论分析,增加了新的框架模型.在应用部分,阐述了图神经网络的最新应用.

图神经网络前沿进展与应用

图结构数据是现实生活中广泛存在的一类数据形式.宏观上的互联网、知识图谱、社交网络数据,微观上的蛋白质、化合物分子等都可以用图结构来建模和表示.由于图结构数据的复杂性和异质性,对图结构数据的分析和处理一直是研究界的难点和重点.图神经网络(Graph Neural Network,GNN)是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架,其优异的性能引起了学者高度的关注和深入的探索.通过在图中的节点和边上制定一定的策略,GNN将图结构数据转化为规范而标准的表示,并输入到多种不同的神经网络中进行训练,在节点分类、边信息传播和图聚类等任务上取得优良的效果.与其他图学习算法相比较,GNN能够学习到图结构数据中的节点以及边的内在规律和更加深层次的语义特征.由于具有对图结构数据强大的非线性拟合能力,因此在不同领域的图相关问题上,GNN都表现出更高的准确率和更好的鲁棒性.本文在现有GNN研究的基础上,首先概述了GNN的出现历程,并介绍了相关概念和定义.之后本文着重讨论和对比了GNN中的各种算法框架,包括核心思想、任务划分、学习方式、优缺点、适用范围、实现成本等.此外,本文对GNN算法在多个不同领域下的应用场景进行了详细的阐述,将GNN与其他图学习算法的优缺点作了联系和比较.针对存在的一些问题和挑战,本文勾画了GNN的未来方向和发展趋势,最后对全文进行了全面而细致的总结.

基于简单Petri网和gSpan算法的业务流程频繁结构挖掘

针对业务流程的结构特性,提出了将图结构数据挖掘算法应用于业务流程模型的思想,具体将gSpan算法应用于简单Petri网模型,提出简单Petri网有向图化和d-gSpan算法的可实践方法,实现了业务流程频繁子结构挖掘。论文最后以某列车入段检修业务流程进行实验。

基于拓扑子图与编辑距离的距离测量方法

图结构数据搜索的核心是为图的匹配寻找一个好的相似性测量方法。图编辑距离法和最大公共子图法是现有的两种较成熟的测量方法。图编辑距离法善于描述细小的距离差距,但缺乏结构上的描述;最大公共子图法与之相反,在结构描述上很有优势,但是在细节的描述上很弱。鉴于这种情况,将最大拓扑公共子图法与编辑距离测量法相结合,提出了一种新的相似性测量方法。这种方法先用拓扑公共子图进行结构性描述,然后利用编辑距离的细节描述能力对最大拓扑公共子图内部的相似性距离进行调整,从而有效地发挥了最大公共子图法和编辑距离法各自的优点,使得图之间的相似性衡量更加有效、精确;同时在图的相似性搜索、图像检索、对象识别等领域也更有相容力和理解力。

面向图数据的量子行走模型及算法研究进展

作为量子计算的通用计算模型,量子行走广泛应用于安全通信、快速搜索、相似性计算以及图挖掘等领域。现阶段研究者对量子行走的设计思路、未来发展以及模型与算法间的相互关系关注甚少,忽略了量子行走的量子特性在图计算等应用中的理论优势。聚焦面向图数据的量子行走模型及算法,首先,分析量子行走的核心设计策略及其理论优势,归纳相关算法核心算符的构造形式与空间维度特征,厘清模型与算法间的逻辑联系;其次,依据离散时间和连续时间的分类,梳理不同图数据上量子行走模型的研究进展及设计难点,总结量子行走从规则图向不规则图上扩展的演化趋势;进一步,围绕图相似性计算、空间搜索以及图挖掘三项应用系统地介绍量子行走算法的研究进展,分析相关算法的技术特征、优势及不足;最后,从效率优化、精度提升、幺正约束以及图重构等角度,对面向图数据的量子行走模型与算法未来发展方向进行了展望。

图神经网络预训练综述

图神经网络已被证明是建模图结构数据的强大工具,其优异的性能引起了学者高度的关注.而随着预训练在计算机视觉和自然语言处理等领域取得的显著成功,近年来研究人员开始探索图神经网络预训练模型.本文针对图神经网络预训练模型进行了全面的回顾:首先对预训练任务按照节点级,图级和混合预训练任务进行了分别阐述;对当前主要的图神经网络预训练模型进行了分析和分类;最后总结了图神经网络预训练模型的主要应用及未来展望.

基于自监督的端到端图数据异常检测方法

异常检测旨在发掘数据中异于寻常的模式,它在金融欺诈以及网络入侵检测等领域有着广泛的应用前景.本文主要研究了如何在结构复杂的图数据中进行异常检测,这涉及到挖掘异常的图结构信息以及节点属性信息.现有大部分工作通常采用一个两步的框架,即先对结构复杂的图数据进行表征学习生成图表征向量,然后再将该向量用于下游异常检测任务.由于分开训练的图表征学习任务与下游异常检测任务存在一定的语义鸿沟,这导致现有方法无法有效地挖掘出图中潜在的异常模式.因此,我们提出了一种基于自监督的端到端图数据异常检测框架SGAD,它可以有效地捕获图数据的语义信息并用于异常检测.具体来说, SGAD对无标签图数据进行了一系列变换用于构建自监督辅助任务,然后该自监督任务的输出结果可以直接用于异常检测.我们在多个公开数据集上进行了大量实验,实验结果表明本文提出的SGAD与现有方法相比获得了显著的效果提升.

不确定性多维传感器数据的有效存储与查询方法

为解决传统数据库管理技术无法有效管理不确定性数据的问题,该文设计了一种多维数组树(MB树)。MB树是一种基于贝叶斯网络的图数据结构,以贝叶斯网络作为概率图模型解决存储和查询问题。对海量数据建模并响应查询。证明了可预测性和结构关联性。利用真实数据集和合成数据集对MB树的性能进行了测试。验证了具有潜在联合分布的MB树的编码准确度。与相似的图模型比较,采用MB树的查询处理效率平均可提升约3倍。