复杂网络找关键节点不再只看单一尺度:局部、社区、全局结构一起学,排序精度超过中心性和图神经网络基线
复杂网络中的关键节点识别有了跨尺度做法。此前中心性指标与学习类方法往往只在单一网络尺度上整合结构信息,难以同时利用局部、社区和全局模式。CSBA-Net把三种尺度的结构表示分别提取,再用带多头自注意力的双向门控循环单元建模尺度间依赖,并以SIR扩散模拟得到的节点影响力作为回归目标;在24个真实网络和12个合成网络上,其排序指标优于所比较的中心性、卷积和图神经网络基线。
复杂网络中的关键节点识别有了跨尺度做法。此前中心性指标与学习类方法往往只在单一网络尺度上整合结构信息,难以同时利用局部、社区和全局模式。CSBA-Net把三种尺度的结构表示分别提取,再用带多头自注意力的双向门控循环单元建模尺度间依赖,并以SIR扩散模拟得到的节点影响力作为回归目标;在24个真实网络和12个合成网络上,其排序指标优于所比较的中心性、卷积和图神经网络基线。
该研究提出 ArchesClimate-SSP(AC-SSP),在 ArchesWeather 架构上以能量分数损失加变差函数损失训练,并以强迫浓度(CO2、CH4、N2O、六种气溶胶、臭氧)为条件,用 IPSL-CM6A-LR 的 2015-2100 年月度数据训练后自回归生成未在训练中出现的 SSP 情景;在留出的 SSP5-3.4 超调情景上,其 2090-2100 年陆地表面温度 RMSE 为 0.9739 K,低于统计模拟器 MESMER-M 的 1.0963 K,且年际变率 0.6050 比 MESMER-M 的 0.6375 更接近 IPSL 目标 0.5166。
已读完全部报道