دانلود و نمایش مقالات مرتبط با Network embedding::صفحه 1
روز مادر
نتیجه جستجو - Network embedding

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 Efficient heterogeneous proximity preserving network embedding model
پیش ذخیره مجاورت ناهمگن کارآمد حفظ مدل توکاری شبکه-2019
We study the problem of representation learning in heterogeneous information networks. Its unique chal- lenges come from the existence of multiple types of vertices and edges. Existing proximity-based net- work embedding techniques ignore the type information when evaluating the proximity and limits their usage in heterogeneous scenario. In this paper, we propose a heterogeneous proximity preserving net- work embedding model via meta path guided random walk, which is capable of capturing the high-order proximity between vertices specified by the given path. To improve the learning efficiency, we introduce a sampling based learning strategy which can incrementally learn representations. We conduct experi- ments on two real world heterogeneous information networks. Experimental results on several mining tasks prove the effectiveness of our approach over many competitive baselines. The model is very effi- cient and is able to learn embeddings for large networks both in offline and online scenarios. Besides, for expert system, our approach can be applied to improve the representation of knowledge entities by depicting the knowledge base as a heterogeneous information network.
Keywords: Network embedding | Heterogeneous information network | Random walk
مقاله انگلیسی
2 Learning deep neural networks for node classification
یادگیری شبکه های عصبی عمیق برای طبقه بندی گره-2019
Deep Neural Network (DNN) has made great leaps in image classification and speech recognition in re- cent years. However, employing DNN for node classification such as in social network remains to be a non-trivial problem. Moreover, the current advanced method of implementing node classification tasks usually takes two steps, i.e. firstly, the embedding vector of the node is obtained through network em- bedding and then the classifier such as SVM is leveraged to do the task. Distinctly, this may only get the suboptimal solution of the problem. To settle the above issues, a novel Deep Neural Network method for node classification named DNNNC is proposed in the framework of Deep Learning. Specifically, we first get the positive pointwise mutual information (PPMI) matrix from the given adjacency matrix. Then, the data is fed to deep neural network composed of deep stacked sparse autoencoders and softmax layer, which could learn the node representation while encoding the rich nonlinear structural and semantic in- formation and could be well trained for node classification under the DNN framework. Extensive experi- ments are conducted on real-world network datasets for node classification task and have shown that the proposed model DNNNC outperforms the state-of-the-art method in the view of superior performance.
Keywords: Network embedding | Node classification | Deep neural network | Deep learning
مقاله انگلیسی
3 Assessing the impacts of IPsec cryptographic algorithms on a virtual network embedding problem
ارزیابی اثرات رمزنگاری الگوریتم IPsec در مشکل تعبیه شبکه مجازی-2017
Network virtualization has emerged as an alternative to traditional networking, allowing several different virtual networks to operate on the same physical infrastructure. Despite its wide adoption, virtualization still has some open issues. One of the challenges is re lated to resource allocation of virtual networks on the physical substrate. In the literature, this problem is known as virtual network embedding. Different papers propose virtual net work embedding considering different aspects, but only a few address security, which is a key requirement for many applications. This work quantifies the overhead of cryptographic algorithms in order to use them in virtual network embedding solutions. Both theoreti cal and experimental evaluation of IPsec algorithms are conducted. The obtained results are applied to a known virtual network embedding problem, using realistic characteristics. These results demonstrate the importance of considering such overheads to perform the allocation of secure virtual networks.
Keywords: Network virtualization | Virtual network embedding | Security overhead | IPsec
مقاله انگلیسی
4 طراحی و ارزیابی الگوریتم های یادگیری برای مدیریت دینامیک منابع در شبکه های مجازی
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 35
مجازی سازی شبکه بعنوان راه حلی برای قالب بندی-تقویت ساختار اینترنت، توجه زیادی را بخود جلب نموده است. اگرچه، بخشی از موفقیت مجازی سازی شبکه بستگی به این خواهد داشت که تا چه اندازه شبکه های مجازی از منابع فرعی شبکه بطرز موثری استفاده می کنند. در این مقاله، رویکرد مبتنی بر یادگیری ماشین برای مدیریت منابع شبکه مجازی پیشنهاد می شود. ما پیشنهاد می کنیم تا شبکه فرعی بصورت سیستم غیرمتمرکز مدل سازی شود و الگوریتم یادگیری را در هر گره فرعی و لینک فرعی معرفی می کنیم، که سبب ایجاد توانایی های خودسازماندهی می شود. همچنین الگوریتم یادگیری چندعاملی را پیشنهاد می کنیم که مدیریت منابع شبکه فرعی را به روش هماهنگ و غیرمتمرکز انجام می دهد. وظیفه این عامل ها (نماینده ها) استفاده از فیدبک تخمینی برای یادگیری ترفندی بهینه است تا بصورت دینامیک منابع شبکه را به گره ها و لینک های مجازی اختصاص دهند. عامل ها اطمینان می دهند که درحین اینکه شبکه های مجازی دارای منابعی هستند که در زمان های معین به ان ها نیاز دارند، تنها منابع مورد نیاز برای این منظور ذخیره می شوند. نتایج شبیه سازی ها نشان می دهند که روش دینامیکی ما، بطور قابل توجهی نرخ پذیرش شبکه مجازی و حداکثر تعداد درخواست های مورد قبول شبکه مجازی را در هر زمان بهبود می دهد حال انکه اطمینان می-دهد کیفیت نیازهای خدماتی شبکه مجازی مانند نرخ رهاسازی بسته و تاخیر لینک مجازی تحت تاثیر قرار نمی گیرند.
کلمات کلیدی: مجازی سازی شبکه | تخصیص دینامیک منابع | تعبیه شبکه مجازی | هوش مصنوعی | یادگیری ماشین | یادگیری تقویت | سیستم های چند عاملی
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی