KR102570529B1 - 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템 - Google Patents

가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템 Download PDF

Info

Publication number
KR102570529B1
KR102570529B1 KR1020210058254A KR20210058254A KR102570529B1 KR 102570529 B1 KR102570529 B1 KR 102570529B1 KR 1020210058254 A KR1020210058254 A KR 1020210058254A KR 20210058254 A KR20210058254 A KR 20210058254A KR 102570529 B1 KR102570529 B1 KR 102570529B1
Authority
KR
South Korea
Prior art keywords
network
edges
embedding
edge
node
Prior art date
Application number
KR1020210058254A
Other languages
English (en)
Other versions
KR20220151252A (ko
Inventor
김상욱
유현식
이연창
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020210058254A priority Critical patent/KR102570529B1/ko
Priority to PCT/KR2022/005715 priority patent/WO2022234985A1/ko
Priority to US18/558,828 priority patent/US20240243976A1/en
Publication of KR20220151252A publication Critical patent/KR20220151252A/ko
Application granted granted Critical
Publication of KR102570529B1 publication Critical patent/KR102570529B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템이 개시된다. 일 실시예에 따른 네트워크 임베딩 시스템에 의해 수행되는 네트워크 임베딩 방법은, 유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 단계; 및 상기 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 단계를 포함할 수 있다.

Description

가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템{DIRECTED NETWORK EMBEDDING METHOD AND SYSTEM WITH VIRTUAL NEGATIVE EDGES}
아래의 설명은 네트워크 임베딩 방법 및 시스템에 관한 것으로, 방향성 네트워크를 저차원(low-dimensional)의 벡터로 표현하는 기술에 관한 것이다.
네트워크 임베딩(Network Embedding; NE)은 주어진 한 네트워크의 노드들을 하나의 임베딩 공간에서 근접성과 같은 구조적 속성을 보존하도록 저차원의 벡터로 표현하는 것을 목표로 한다. 최근 연구에서는 엣지 방향, 엣지 기호 및 노드 속성과 같은 추가적인 정보를 통합하여 네트워크 임베딩의 정확도를 개선시키는 기술이 제안되었다. 일례로, 엣지 방향을 활용하는 네트워크 임베딩 기술을 예를 들면, 소셜 네트워크 서비스에서 한 사용자는 인플루언서를 팔로우하지만, 인풀루언서는 사용자의 존재를 몰라 팔로우 하지 않을 수 있다. 이러한 관계는 네트워크에서 인플루언서가 사용자를 가리키지는 않고, 사용자가 인플루언서를 가리키게 함으로써 표현될 수 있다. 그러나, 기존의 무방향 네트워크 임베딩 방법들은 엣지 방향을 고려할 수 있도록 디자인되지 않았다. 따라서, 기존의 방법으로 얻은 노드의 임베딩은 노드 간의 비대칭 관계를 정확하게 포착할 수 없다.
이러한 한계를 해결하기 위하여 노드들 간의 엣지 방향을 고려할 수 있는 다양한 유방향 네트워크 임베딩 방법들이 제안되었다. 그러나, 유방향 네트워크 임베딩 방법들 또한, 노드들 간의 관계를 정확하게 캡쳐하는데 어려움이 있다.
유방향 네트워크 내에서 노드 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 방법 및 시스템을 제공할 수 있다.
가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 방법 및 장치를 제공할 수 있다.
네트워크 임베딩 시스템에 의해 수행되는 네트워크 임베딩 방법은, 유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 단계; 및 상기 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 상기 유방향 네트워크에 존재하는 긍정 엣지에서 소스 노드 및 타겟 노드를 포함하는 각 노드의 쌍에 대해 상기 타겟 노드에 대한 상기 소스 노드의 잠재적인 부정 정도를 추론함에 따라 상기 가상의 부정 엣지의 수와 위치를 선택하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 상기 타겟 노드에 대한 상기 소스 노드의 긍정 정도가 낮아질수록 상기 타겟 노드에 대한 부정 정도가 높아지는 것으로 판단하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 가중치 정규화 행렬 분해를 사용하여 상기 유방향 네트워크에 존재하는 긍정 엣지에서 상기 타겟 노드에 대한 상기 소스 노드의 긍정 정도를 추론하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 유방향 네트워크의 인접 행렬을 사용하여 각 엔트리에 대응되는 유방향 엣지가 존재할 경우 1, 각 엔트리에 대응되는 유방향 엣지가 존재하지 않을 경우 0으로 표현하고, 상기 표현을 통해 가중치 행렬을 구성하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 상기 추론된 잠재적인 부정 정도에 기초하여 로컬 선택 전략을 통해 상기 소스 노드에서 가상의 부정 엣지를 선택하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 상기 소스 노드 당 동일한 수의 가상의 부정 엣지를 선택하며, 상기 소스 노드에서 존재하지 않는 모든 엣지를 부정 정도에 따라 내림차순으로 리스트를 정렬하고, 상기 정렬된 리스트의 시작 부분에서 미리 정의된 수의 존재하지 않는 엣지를 소스 노드의 가상의 부정 엣지로 선택하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 구조적 균형을 기반으로 상기 탐색된 가상의 부정 엣지를 추가하여 부호 기반의 유방향 네트워크(signed directed network)를 모델링하는 단계를 포함할 수 있다.
상기 탐색하는 단계는, 상기 유방향 네트워크에 구성된 긍정 엣지의 수를 고려하여 가상의 부정 엣지의 수를 결정하고, 상기 결정된 가상의 부정 엣지의 수에 기초하여 선택된 가상의 부정 엣지와 상기 긍정 엣지를 부호 기반의 유방향 네트워크로 모델링하는 단계를 포함할 수 있다.
상기 수행하는 단계는, 모델링된 부호 기반의 유방향 네트워크에 구성된 소스 노드 및 타겟 노드에 대한 임베딩을 학습함에 따라 노드들 간의 비대칭 근접성을 유지하는 소스 노드의 소스 임베딩 벡터 또는 타겟 노드의 타겟 임베딩 벡터를 획득하는 단계를 포함할 수 있다.
상기 수행하는 단계는, 각 시드 노드로부터 아웃 고잉(out-going) 엣지를 따라 움직이는 유방향 랜덤 워크(directed random walk)를 수행하여 엣지 부호가 있는 시퀀스를 생성하는 단계를 포함할 수 있다.
상기 수행하는 단계는, 상기 생성된 시퀀스에서 소스 노드에서 타겟 노드까지의 엣지 부호의 조합을 균형 이론(balance theory)으로 분석하여 각 노드 쌍에 대한 긍정 부호 및 부정 부호를 결정하는 단계를 포함할 수 있다.
상기 수행하는 단계는, 상기 긍정 부호 및 부정 부호가 있는 노드 쌍에 대해 각각 임베딩 공간에서 소스 노드의 소스 임베딩 벡터와 타겟 노드의 타겟 임베딩 벡터 간의 근접성이 최대화 또는 최소화되도록 소스 임베딩 벡터 및 타겟 임베딩 벡터를 업데이트하는 단계를 포함할 수 있다.
네트워크 임베딩 방법을 상기 네트워크 임베딩 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독 가능한 기록 매체에 저장되는 컴퓨터 프로그램을 포함할 수 있다.
네트워크 임베딩 시스템은, 유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 엣지 탐색부; 및 상기 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 네트워크 임베딩부를 포함할 수 있다.
긍정 엣지뿐만 아니라 가상의 부정 엣지를 추가적으로 활용하여 비대칭 근접성을 임베딩 공간에 보존할 수 있다.
엣지 부호가 제공하는 추가적인 정보를 활용함으로써 네트워크 희소 문제를 완화시킬 수 있다.
도 1은 일 실시예에 따른 네트워크 임베딩 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 네트워크 임베딩 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 네트워크 임베딩 시스템에서 네트워크 임베딩 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 있어서, 네트워크에 구성된 엣지의 수를 나타낸 도면이다.
도 5는 일 실시예에 있어서, 유방향 네트워크에서 복수 개의 타입의 전이 삼각형을 나타낸 도면이다.
도 6은 일 실시예에 있어서, 유방향 데이터 셋에서 모델링된 부호 기반의 유방향 네트워크에 대한 삼원 균형을 나타낸 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 네트워크 임베딩 시스템의 동작을 설명하기 위한 도면이다.
네트워크 임베딩 시스템은 긍정 엣지 및 부정 엣지를 활용하여 네트워크 임베딩을 포함한 다양한 네트워크 분석 작업의 정확도를 향상시킬 수 있다. 네트워크 임베딩 시스템은 유방향 네트워크에서 노드 간의 부정적인 관계를 나타내는 가상의 부정 엣지의 수와 위치를 선택하고, 유방향 네트워크에 가상의 부정 엣지를 추가하고, 엣지의 기호와 방향을 활용하여 네트워크 임베딩을 수행할 수 있다.
네트워크 임베딩 시스템은 잠재적인 가상의 부정 엣지들 중에서 일부의 가상의 부정 엣지를 선택해야 한다. 네트워크 임베딩 시스템은 유방향 네트워크에 이미 존재하는 엣지들을 노드들 간의 긍정 엣지로 간주할 수 있다. 네트워크 임베딩 시스템은 긍정 엣지를 활용하여 가상의 부정 엣지를 추론하고, 두 가지 타입의 엣지들을 모두 하나의 부호 기반의 유방향 네트워크로 모델링할 수 있다. 네트워크 임베딩 시스템은 모델링된 부호 기반의 유방향 네트워크의 비대칭 근접성이 임베딩 공간에 보존되도록 노드들의 소스 벡터와 타겟 벡터를 학습할 수 있다. 이때, 부호 기반의 유방향 네트워크가 주어졌을 때, 네트워크 임베딩을 수행하기 위한 다양한 방법들이 적용될 수 있다.
네트워크 임베딩 시스템은 노드들 간의 긍정 엣지를 활용하여 존재하지 않는 엣지에서 타겟 노드에 대한 소스 노드의 잠재적인 부정 정도를 추론할 수 있다. 이때, 타겟 노드에 대한 소스 노드의 부정 정도와 소스 노드에 대한 타겟 노드의 부정 정도가 다를 수 있다. 네트워크 임베딩 시스템은 소스 노드에 대해 소스 노드가 가장 높은 수준의 부정 정도를 갖는 노드의 수를 탐색하고, 소스 노드에 대한 가상의 부정 엣지를 해당 노드의 유방향 네트워크에 추가할 수 있다. 부호 기반의 네트워크의 구조적 균형을 기반으로 각 노드에서 가상의 부정 엣지 수가 결정될 수 있다. 네트워크 임베딩 시스템은 가상의 부정 엣지가 추가되면 부호 기반의 네트워크에 효과적이도록 설계된 네트워크 임베딩 방법을 사용하여 소스 노드 및 타겟 노드의 임베딩을 학습할 수 있다. 이때, 가상의 부정 엣지에서 획득한 추가 정보를 활용하여 유방향 네트워크의 노드 간 비대칭 근접성을 정확하게 캡쳐함을 보여준다.
상세하게는, 네트워크 임베딩 시스템은 다음과 같은 단계 1(step 1) 내지 단계 4(step 4)를 수행할 수 있다.
단계 1: 부정 정도 추론
단계 2: 부정 정도에 기반하여 가상의 부정 엣지를 선택
단계 3: 부호 기반의 유방향 네트워크 모델링
단계 4: 소스 노드 및 타겟 노드의 임베딩 학습
도 4는 일 실시예에 있어서, 네트워크에 구성된 엣지의 수를 나타낸 도면이다. 도 4를 참고하면 실제 유방향 네트워크에서 존재하는 엣지와 존재하지 않는 엣지의 수를 나타낸 것이다. 존재하지 않는 엣지의 수가 상당히 많은 것을 확인할 수 있다. 예를 들면, GNU, Wiki-Vote, JUNG, EAT의 경우 각각 39M, 50M, 37M, 534M이다. 많은 수의 존재하지 않는 엣지 중에서 소수의 가상의 부정 엣지를 선택적으로 생성하는 것은 매우 어렵다. 네트워크 임베딩 시스템은 단계 1(step 1) 내지 단계 3(step 3)을 통해 이러한 문제를 해결할 수 있다. 그런 다음, 네트워크 임베딩 시스템은 부호 기반의 유방향 네트워크에 효과적이도록 네트워크 임베딩 방법을 사용하여 노드의 임베딩을 학습할 수 있다.
단계 1에서, 네트워크 임베딩 시스템은 모든 노드 쌍의 부정 정도를 정량화할 수 있다. 네트워크 임베딩 시스템은 선행 작업으로 주어진 긍정적인 관계를 참조하여 잠재적인 부정 정도를 추론할 수 있다. 네트워크 임베딩 시스템은 기존의 엣지를 긍정 엣지로 간주할 수 있다. 네트워크 임베딩 시스템은 긍정 엣지에서 타겟 노드에 대한 소스 노드의 긍정 정도를 추론할 수 있다. 이때, 타겟 노드에 대한 소스 노드의 긍정 정도가 낮을수록 타겟 노드에 대한 부정 정도가 높아진다고 판단될 수 있다. 일례로, 네트워크 임베딩 시스템은 선행 작업에 기초하여 가중치 정규화 행렬 분해(WRMF)를 사용할 수 있다. 유방향 네트워크의 가중치 정규화 행렬 분해의 경우, 유방향 네트워크의 비대칭 인접 행렬(A = (aij)n×n)이 사용된다. 인접 행렬은의 행과 열은 각 노드에 대한 소스 역할과 타겟 역할을 표시한다. 각 엔트리는 대응되는 유방향 엣지 eij가 존재할 경우, aij=1 또는 존재하지 않을 경우, aij=0를 나타낸다. 그런 다음 가중치 행렬(W = (w)n×n)이 구성될 수 있다. 유방향 엣지에 대해 가장 높은 값 1을 가중치 행렬의 해당 항목에 할당할 수 있다(aij=1이면, w=1). wALS(weighted alternating least squares) 방법이 사용되어 목적 함수가 최적화되는 동안, 각각의 노드의 소스 역할과 타겟 역할을 잠재 요인으로 나타내는 두 개의 하위 행렬을 분해하여 비대칭 인접 행렬이 근사될 수 있다. 각 노드의 부정 정도가 반드시 대칭이 되는 것은 아니다. 부정 정도를 추론하기 위하여 가중치 정규화 행렬 분해(WRMF) 대신 엣지 방향을 고려하도록 설계된 다른 방법들이 활용될 수도 있다.
단계 2에서, 네트워크 임베딩 시스템은 부정 정도에 기반하여 가상의 부정 엣지를 선택할 수 있다. 이때, 부정 정도를 기반으로 존재하지 않는 엣지들 중에서 가상의 부정 엣지를 선택함에 있어서 글로벌 선택 및 로컬 선택을 포함하는 두 가지의 전략이 고려될 수 있다. 글로벌 선택 전략은 특정 노드에 관계없이 모든 잠재적인 가상의 부정 엣지 중에서 높은 수준의 부정 정도를 갖는 가상의 부정 엣지를 선택하는 것이다. 글로벌 선택 전략은 존재하지 않는 모든 엣지를 부정 정도에 따라 내림차순으로 정렬할 수 있다. 로컬 선택 전략은 노드 별로 그 노드의 잠재적인 노드들 중 높은 수준의 부정성을 갖는 가상의 부정 엣지를 선택하는 것이다. 로컬 선택 전략은 소스 노드 당 동일한 수의 가상의 부정 엣지를 선택할 수 있다. 각 소스 노드에 대해 소스 노드에서 존재하지 않는 모든 엣지가 부정 정도에 따라 내림차순으로 정렬된 다음, 정렬된 리스트의 시작 부분에서 사전 정의된 수의 존재하지 않는 엣지가 소스 노드에 대한 가상의 부정 엣지로 선택될 수 있다. 실시예에서는 로컬 선택 전략을 이용하여 가상의 부정 엣지가 선택된 것을 예를 들기로 한다. 모든 노드에 동일한 수의 가상의 부정 엣지를 제공함으로써 모든 노드가 잠재적인 부정 관계를 표현할 동등한 기회를 갖도록 보장한다.
단계 3에서, 네트워크 임베딩 시스템은 부호 기반의 유방향 네트워크를 모델링할 수 있다. 네트워크 임베딩 시스템은 추가할 총 가상의 부정 엣지의 수를 결정한 다음, 가상의 부정 엣지와 기존의 긍정 엣지를 모두 부호 기반의 유방향 네트워크로 모델링할 수 있다. 네트워크 임베딩 시스템은 긍정 엣지의 수를 고려하여 가상의 부정 엣지의 수를 고려할 수 있다. 이때, 부호 기반의 네트워크에서 부정 엣지의 수는 긍정 엣지의 수보다 작다. 더욱이, 많은 잠재적인 가상의 부정 엣지 중 일부만이 부정적인 관계를 명확하게 나타낸다. 네트워크 임베딩 시스템은 부호 기반의 네트워크의 중요한 속성, 특히, 구조적 균형에 대한 매개변수를 설정할 수 있다. 구조적 균형은 부호 기반의 네트워크에서 긍정 엣지 또는 부정 엣지가 구조적으로 균형 이론을 얼마나 잘 만족하는지를 나타낸다. 균형 이론은 실제 사회 관계의 네 가지의 규칙을 설명한다. 예를 들면, 내 친구의 친구는 내 친구, 내 적의 친구는 내 적, 내 친구의 적은 내 적, 적의 적은 내 친구와 같이 설명될 수 있다. 균형 이론은 부정 엣지가 짝수인 삼각형을 균형 삼각형으로 간주하고, 그렇지 않다면 삼각형을 불균형 삼각형으로 간주한다. 구조적 균형은 주로 부호 기반의 무방향 네트워크에 대해서 연구되었으며, 대부분의 구조적 균형 측정은 삼각형 내의 엣지 방향을 고려할 수 없었다. 도 5를 참고하면, 유방향 네트워크에서 복수 개(예를 들면, 4개)의 타입의 전이 삼각형을 나타낸 도면이다. 부호 기반의 유방향 네트워크 내에 엣지 부호와 방향을 함께 고려하여 구조적 균형을 측정하는 삼원 균형(triadic balance)이 제안되었다. 구체적으로, 삼원 균형이란, 부호 기반의 유방향 네트워크에서 세 노드들 간의 엣지 방향이 전이성을 만족하는 삼각형 중 균형 삼각형의 비율을 의미할 수 있다. 예를 들면, 세 노드(vi, vj, vk) 가 주어졌을 때 vi가 vj를 가리키고, vj가 vk를 가리킬 때, vi가 vk를 가리키면 그들의 관계는 전이성을 충족하는 것으로 간주될 수 있다. 삼원 균형 값이 클수록 부호 기반의 유방향 네트워크 내 긍정 엣지 및 부정 엣지의 구조가 균형 이론을 잘 따른다는 것을 나타낸다. 도 6은 유방향 데이터 셋(GNU, Wiki-vote, JUNG, EAT) 에서 모델링된 부호 기반의 유방향 네트워크에 대한 삼원 균형을 나타낸다. x 축은 가상의 부정 엣지의 비율(
Figure 112021052269090-pat00001
= 0.25, 0.5, 1, 2, 4, 8)을 나타내며, y 축은 삼원 균형 값을 나타낸다. 부호 기반의 네트워크의 경우, 부정 엣지가 존재하기 때문에 가상의 부정 엣지의 비율과 상관없이 삼원 균형 값만 가진다. 전반적으로 부호 기반의 네트워크의 삼원 균형 평균 값은 0.78 (min =0.5, max=0.9, sd=0.12)로 대체로 높다. 이러한 결과는 부호 기반의 네트워크에서 전이성을 만족하는 삼각형 중에 균형 삼각형의 비율이 높다는 것을 보여준다. 다시 말해서, 부호 기반의 네트워크에서 노드들 간의 관계는 균형 이론을 잘 따른다는 것을 확인할 수 있다. 부호 기반의 유방향 네트워크의 경우, 가상의 부정 엣지의 비율이 증가할수록 삼원 균형 값이 감소하는 경향을 보인다. 특히, 가상의 부정 엣지의 비율이 1 미만일 경우, 삼원 균형 값이 높게 나타나는 반면, 가상의 부정 엣지의 비율이 1 이상일 경우, 삼원 균형 값이 상대적으로 낮게 나타난다. 가상의 부정 엣지의 비율이 증가하여 부정 정도가 상대적으로 낮은 가상의 부정 엣지들이 전가되는 것은 네트워크 내에 균형 이론을 따르지 않는 경우가 많아지게 된다는 것을 의미한다. 따라서 네트워크 임베딩 시스템은 가상의 부정 엣지의 비율을 1 보다 작게 설정할 수 있다. 네트워크 임베딩 시스템은 결정된 가상의 부정 엣지의 수만큼 주어진 네트워크에 전가함으로써 긍정 엣지와 부정 엣지를 함께 갖는 부호 기반의 유방향 네트워크를 모델링할 수 있다. 네트워크 임베딩 시스템은 노드들 간 긍정 관계뿐만 아니라 부정 관계로 함께 고려하여 네트워크 임베딩을 수행함에 있어서 엣지 부호라는 풍부한 정보를 활용할 수 있다.
단계 4에서, 네트워크 임베딩 시스템은 소스 노드 및 타겟 노드의 임베딩 학습을 수행할 수 있다. 네트워크 임베딩 시스템은 부호 기반의 유방향 네트워크에서 노드들 간의 비대칭 근접성을 유지하는 노드들의 소스 임베딩 벡터 또는 타겟 임베딩 벡터들을 획득할 수 있다. 기본적으로, 부호 기반의 네트워크 임베딩 방법들은 네트워크 내에서 긍정 엣지로 연결된 노드들이 임베딩 공간에서 가깝게 표현되도록 하고, 부정 엣지로 연결되는 노드들이 멀게 표현되도록 한다. 더구나, 앞서 설명된 균형 이론이 활용되어 연결되지 않은 노드들 간의 관계 또한 추론되어 추가적으로 학습될 수 있다. 네트워크 임베딩 시스템은 각 시드 노드로부터 아웃 고잉(out-going) 엣지를 따라 움직이는 유방향 랜덤 워크를 수행하여 엣지 부호가 있는 워크 시퀀스 {vi -> v1 -> v2 -> … -> vn}를 생성할 수 있다. 네트워크 임베딩 시스템은 각 시퀀스에서 소스 노드가 타겟 노드를 앞서는 유방향 노드 쌍을 샘플링할 수 있다. 네트워크 임베딩 시스템은 시퀀스에서 소스 노드에서 타겟 노드까지의 엣지 부호의 조합을 균형 이론으로 분석하여 각 노드 쌍에 대한 부호를 결정할 수 있다. 네트워크 임베딩 시스템은 긍정 부호 및 부정 부호가 있는 노드 쌍에 대해 각각 임베딩 공간에서 소스 노드의 소스 임베딩 벡터와 타겟 노드의 타겟 임베딩 벡터 간의 근접성이 최대화 또는 최소화되도록 상기 벡터들을 업데이트할 수 있다.
도 2는 일 실시예에 따른 네트워크 임베딩 시스템의 구성을 설명하기 위한 블록도이고, 도 3은 일 실시예에 따른 네트워크 임베딩 시스템에서 네트워크 임베딩 방법을 설명하기 위한 흐름도이다.
네트워크 임베딩 시스템(100)의 프로세서는 엣지 탐색부(210) 및 네트워크 임베딩부(220)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 네트워크 임베딩 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 3의 네트워크 임베딩 방법이 포함하는 단계들(310 내지 320)을 수행하도록 네트워크 임베딩 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 네트워크 임베딩 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 네트워크 임베딩 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 네트워크 임베딩 시스템을 제어할 수 있다. 이때, 엣지 탐색부(210) 및 네트워크 임베딩부(220) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(310 내지 320)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(310)에서 엣지 탐색부(210)는 유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색할 수 있다. 엣지 탐색부(210)는 유방향 네트워크에 존재하는 긍정 엣지에서 소스 노드 및 타겟 노드를 포함하는 각 노드의 쌍에 대해 타겟 노드에 대한 소스 노드의 잠재적인 부정 정도를 추론함에 따라 상기 가상의 부정 엣지의 수와 위치를 선택할 수 있다. 엣지 탐색부(210)는 타겟 노드에 대한 소스 노드의 긍정 정도가 낮아질수록 타겟 노드에 대한 부정 정도가 높아지는 것으로 판단할 수 있다.
엣지 탐색부(210)는 가중치 정규화 행렬 분해를 사용하여 유방향 네트워크에 존재하는 긍정 엣지에서 타겟 노드에 대한 소스 노드의 긍정 정도를 추론할 수 있다. 엣지 탐색부(210)는 유방향 네트워크의 인접 행렬을 사용하여 각 엔트리에 대응되는 유방향 엣지가 존재할 경우 1, 각 엔트리에 대응되는 유방향 엣지가 존재하지 않을 경우 0으로 표현하고, 상기 표현을 통해 가중치 행렬을 구성할 수 있다.
엣지 탐색부(210)는 추론된 잠재적인 부정 정도에 기초하여 로컬 선택 전략을 통해 소스 노드에서 가상의 부정 엣지를 선택할 수 있다. 엣지 탐색부(210)는 소스 노드 당 동일한 수의 가상의 부정 엣지를 선택하며, 소스 노드에서 존재하지 않는 모든 엣지를 부정 정도에 따라 내림차순으로 리스트를 정렬하고, 정렬된 리스트의 시작 부분에서 미리 정의된 수의 존재하지 않는 엣지를 소스 노드의 가상의 부정 엣지로 선택할 수 있다.
엣지 탐색부(210)는 구조적 균형을 기반으로 탐색된 가상의 부정 엣지를 추가하여 부호 기반의 유방향 네트워크(signed directed network)를 모델링할 수 있다. 엣지 탐색부(210)는 유방향 네트워크에 구성된 긍정 엣지의 수를 고려하여 가상의 부정 엣지의 수를 결정하고, 결정된 가상의 부정 엣지의 수에 기초하여 선택된 가상의 부정 엣지와 긍정 엣지를 부호 기반의 유방향 네트워크로 모델링할 수 있다.
단계(320)에서 네트워크 임베딩부(220)는 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행할 수 있다. 네트워크 임베딩부(220)는 모델링된 부호 기반의 유방향 네트워크에 구성된 소스 노드 및 타겟 노드에 대한 임베딩을 학습함에 따라 노드들 간의 비대칭 근접성을 유지하는 소스 노드의 소스 임베딩 벡터 또는 타겟 노드의 타겟 임베딩 벡터를 획득할 수 있다. 네트워크 임베딩부(220)는 각 시드 노드로부터 아웃 고잉(out-going) 엣지를 따라 움직이는 유방향 랜덤 워크(directed random walk)를 수행하여 엣지 부호가 있는 시퀀스를 생성할 수 있다. 네트워크 임베딩부(220)는 생성된 시퀀스에서 소스 노드에서 타겟 노드까지의 엣지 부호의 조합을 균형 이론(balance theory)으로 분석하여 각 노드 쌍에 대한 긍정 부호 및 부정 부호를 결정할 수 있다. 네트워크 임베딩부(220)는 긍정 부호 및 부정 부호가 있는 노드 쌍에 대해 각각 임베딩 공간에서 소스 노드의 소스 임베딩 벡터와 타겟 노드의 타겟 임베딩 벡터 간의 근접성이 최대화 또는 최소화되도록 소스 임베딩 벡터 및 타겟 임베딩 벡터를 업데이트할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 네트워크 임베딩 시스템에 의해 수행되는 네트워크 임베딩 방법에 있어서,
    유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 단계; 및
    상기 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 단계
    를 포함하는 네트워크 임베딩 방법.
  2. 제1항에 있어서,
    상기 탐색하는 단계는,
    상기 유방향 네트워크에 존재하는 긍정 엣지에서 소스 노드 및 타겟 노드를 포함하는 각 노드의 쌍에 대해 상기 타겟 노드에 대한 상기 소스 노드의 잠재적인 부정 정도를 추론함에 따라 상기 가상의 부정 엣지의 수와 위치를 선택하는 단계
    를 포함하는 네트워크 임베딩 방법.
  3. 제2항에 있어서,
    상기 탐색하는 단계는,
    상기 타겟 노드에 대한 상기 소스 노드의 긍정 정도가 낮아질수록 상기 타겟 노드에 대한 부정 정도가 높아지는 것으로 판단하는 단계
    를 포함하는 네트워크 임베딩 방법.
  4. 제2항에 있어서,
    상기 탐색하는 단계는,
    가중치 정규화 행렬 분해를 사용하여 상기 유방향 네트워크에 존재하는 긍정 엣지에서 상기 타겟 노드에 대한 상기 소스 노드의 긍정 정도를 추론하는 단계
    를 포함하는 네트워크 임베딩 방법.
  5. 제4항에 있어서,
    상기 탐색하는 단계는,
    유방향 네트워크의 인접 행렬을 사용하여 각 엔트리에 대응되는 유방향 엣지가 존재할 경우 1, 각 엔트리에 대응되는 유방향 엣지가 존재하지 않을 경우 0으로 표현하고, 상기 표현을 통해 가중치 행렬을 구성하는 단계
    를 포함하는 네트워크 임베딩 방법.
  6. 제2항에 있어서,
    상기 탐색하는 단계는,
    상기 추론된 잠재적인 부정 정도에 기초하여 로컬 선택 전략을 통해 상기 소스 노드에서 가상의 부정 엣지를 선택하는 단계
    를 포함하는 네트워크 임베딩 방법.
  7. 제6항에 있어서,
    상기 탐색하는 단계는,
    상기 소스 노드 당 동일한 수의 가상의 부정 엣지를 선택하며, 상기 소스 노드에서 존재하지 않는 모든 엣지를 부정 정도에 따라 내림차순으로 리스트를 정렬하고, 상기 정렬된 리스트의 시작 부분에서 미리 정의된 수의 존재하지 않는 엣지를 소스 노드의 가상의 부정 엣지로 선택하는 단계
    를 포함하는 네트워크 임베딩 방법.
  8. 제1항에 있어서,
    상기 탐색하는 단계는,
    구조적 균형을 기반으로 상기 탐색된 가상의 부정 엣지를 추가하여 부호 기반의 유방향 네트워크(signed directed network)를 모델링하는 단계
    를 포함하는 네트워크 임베딩 방법.
  9. 제8항에 있어서,
    상기 탐색하는 단계는,
    상기 유방향 네트워크에 구성된 긍정 엣지의 수를 고려하여 가상의 부정 엣지의 수를 결정하고, 상기 결정된 가상의 부정 엣지의 수에 기초하여 선택된 가상의 부정 엣지와 상기 긍정 엣지를 부호 기반의 유방향 네트워크로 모델링하는 단계
    를 포함하는 네트워크 임베딩 방법.
  10. 제1항에 있어서,
    상기 수행하는 단계는,
    모델링된 부호 기반의 유방향 네트워크에 구성된 소스 노드 및 타겟 노드에 대한 임베딩을 학습함에 따라 노드들 간의 비대칭 근접성을 유지하는 소스 노드의 소스 임베딩 벡터 또는 타겟 노드의 타겟 임베딩 벡터를 획득하는 단계
    를 포함하는 네트워크 임베딩 방법.
  11. 제10항에 있어서,
    상기 수행하는 단계는,
    각 시드 노드로부터 아웃 고잉(out-going) 엣지를 따라 움직이는 유방향 랜덤 워크(directed random walk)를 수행하여 엣지 부호가 있는 시퀀스를 생성하는 단계
    를 포함하는 네트워크 임베딩 방법.
  12. 제11항에 있어서,
    상기 수행하는 단계는,
    상기 생성된 시퀀스에서 소스 노드에서 타겟 노드까지의 엣지 부호의 조합을 균형 이론(balance theory)으로 분석하여 각 노드 쌍에 대한 긍정 부호 및 부정 부호를 결정하는 단계
    를 포함하는 네트워크 임베딩 방법.
  13. 제12항에 있어서,
    상기 수행하는 단계는,
    상기 긍정 부호 및 부정 부호가 있는 노드 쌍에 대해 각각 임베딩 공간에서 소스 노드의 소스 임베딩 벡터와 타겟 노드의 타겟 임베딩 벡터 간의 근접성이 최대화 또는 최소화되도록 소스 임베딩 벡터 및 타겟 임베딩 벡터를 업데이트하는 단계
    를 포함하는 네트워크 임베딩 방법.
  14. 제1항 내지 제13항 중 어느 한 항의 네트워크 임베딩 방법을 상기 네트워크 임베딩 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  15. 네트워크 임베딩 시스템에 있어서,
    유방향 네트워크 내에서 노드들 간의 잠재적으로 부정적인 관계를 나타내는 가상의 부정 엣지를 탐색하는 엣지 탐색부; 및
    상기 탐색된 가상의 부정 엣지를 이용하여 유방향 네트워크 내의 노드들을 저차원 벡터로 표현하기 위한 네트워크 임베딩을 수행하는 네트워크 임베딩부
    를 포함하는 네트워크 임베딩 시스템.
KR1020210058254A 2021-05-06 2021-05-06 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템 KR102570529B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210058254A KR102570529B1 (ko) 2021-05-06 2021-05-06 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템
PCT/KR2022/005715 WO2022234985A1 (ko) 2021-05-06 2022-04-21 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템
US18/558,828 US20240243976A1 (en) 2021-05-06 2022-04-21 Virtual negative edge-based directed network embedding method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210058254A KR102570529B1 (ko) 2021-05-06 2021-05-06 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220151252A KR20220151252A (ko) 2022-11-15
KR102570529B1 true KR102570529B1 (ko) 2023-08-24

Family

ID=83932362

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210058254A KR102570529B1 (ko) 2021-05-06 2021-05-06 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템

Country Status (3)

Country Link
US (1) US20240243976A1 (ko)
KR (1) KR102570529B1 (ko)
WO (1) WO2022234985A1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9813287B2 (en) * 2015-07-30 2017-11-07 Huawei Technologies Co., Ltd. Connectivity-aware virtual network embedding
KR102102181B1 (ko) * 2017-10-11 2020-05-29 서울대학교산학협력단 부호화된 방향성 네트워크에서의 표현 학습 방법 및 장치
KR20210032105A (ko) * 2019-09-16 2021-03-24 한국전자통신연구원 랭킹 기반 네트워크 임베딩을 이용한 군집화 방법 및 장치

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Junghwan Kim, Haekyu Park, Ji-Eun Lee, and U. Kang. SIDE: Representation Learning in Signed Directed Networks. In Proc. of The Web Conference (WWW). 2018.
Lee, Yeon-Chang, et al. Asine: Adversarial signed network embedding. Proceedings of the 43rd international acm sigir conference on research and development in information retrieval. 2020.*
Megha Khosla, Jurek Leonhardt, Wolfgang Nejdl, and Avishek Anand. Node Representation Learning for Directed Graphs. ECML PKDD. 2019.
Samin Aref, Ly Dinh, Rezvaneh Rezapour, and Jana Diesner. Multilevel structural evaluation of signed directed social networks based on balance theory. Scientific Reports 10, 1. 2020.
Shaosheng Cao, Wei Lu, and Qiongkai Xu. GraRep: Learning Graph Representations with Global Structural Information. ACM CIKM. 2015.
William L. Hamilton, Zhitao Ying, and Jure Leskovec. Inductive Representation Learning on Large Graphs. NeurIPS. 2017.

Also Published As

Publication number Publication date
US20240243976A1 (en) 2024-07-18
KR20220151252A (ko) 2022-11-15
WO2022234985A1 (ko) 2022-11-10

Similar Documents

Publication Publication Date Title
US9922051B2 (en) Image-based faceted system and method
CN111708876B (zh) 生成信息的方法和装置
Srinivas et al. Option discovery in hierarchical reinforcement learning using spatio-temporal clustering
CN108228877B (zh) 基于学习排序算法的知识库补全方法及装置
CN112396106B (zh) 内容识别方法、内容识别模型训练方法及存储介质
Yao et al. Improved barebones particle swarm optimization with neighborhood search and its application on ship design
CN108491228A (zh) 一种二进制漏洞代码克隆检测方法及系统
Faerman et al. Lasagne: Locality and structure aware graph node embedding
WO2020181934A1 (zh) 一种基于粒子群算法确定目标对象位置的方法和装置
Taghizadeh et al. A novel graphical approach to automatic abstraction in reinforcement learning
Wang et al. A Bio‐Inspired Method for the Constrained Shortest Path Problem
Cheng et al. Water quality monitoring method based on TLD 3D fish tracking and XGBoost
WO2020075462A1 (ja) 学習器推定装置、学習器推定方法、リスク評価装置、リスク評価方法、プログラム
Wang et al. Predatory search strategy based on swarm intelligence for continuous optimization problems
CN113158030B (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
KR102570529B1 (ko) 가상 부정 엣지 기반 유방향 네트워크 임베딩 방법 및 시스템
CN116611527B (zh) 量子电路处理方法、装置及电子设备
Ahmad et al. SiFSO: Fish Swarm Optimization‐Based Technique for Efficient Community Detection in Complex Networks
Lansing et al. VALAN: vision and language agent navigation
CN116151381B (zh) 量子电路处理方法、装置及电子设备
US11604937B2 (en) Systems and methods for adaptive data processing associated with complex dynamics
Ghafoorian et al. Automatic abstraction in reinforcement learning using ant system algorithm
JP2014228975A (ja) 検索装置、検索方法および検索プログラム
CN114201199B (zh) 基于信息安全大数据的防护升级方法及信息安全系统
CN114238992A (zh) 基于信息安全大数据的威胁漏洞挖掘方法及信息安全系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant