Графово-нейронний метод виявлення координаційних структур у мережевих даних
DOI:
https://doi.org/10.17721/2706-9699.2026.1.01Ключові слова:
графовi нейроннi мережi, мережевi данi, аналiз графiв, координацiйнi структури, GraphSAGE, DBSCAN, кластеризацiяАнотація
Метою статтi є розробка графово-нейронного методу виявлення координацiйних структур у мережевих даних на основi аналiзу топологiї графiв та методiв машинного навчання. Методика дослiдження. Дослiдження ґрунтується на представленнi мережевих даних у виглядi графа взаємодiй, де вершини вiдповiдають об’єктам, а ребра — їхнiм зв’язкам. Для формування структурних представлень вершин використано графову нейронну мережу архiтектури GraphSAGE [4], яка здiйснює агрегацiю iнформацiї з локального оточення. Подальша iдентифiкацiя координацiйних структур виконується за допомогою алгоритму щiльнiсної кластеризацiї DBSCAN [3] без апрiорного задання кiлькостi кластерiв.
Результати дослiдження. Запропонований метод перевiрено на синтетичному мережевому графi, що вiдтворює характернi властивостi реальних систем. Експериментальнi результати показали високу ефективнiсть пiдходу: середнi значення precision, recall та F1-score для виявлення координацiйних структур становили 0.91, 0.98 та 0.94 вiдповiдно. Результати дослiдження пiдтверджують здатнiсть методу надiйно iдентифiкувати щiльнi координацiйнi групи навiть за вiдсутностi явних iндивiдуальних аномалiй.
Практична значимiсть. Запропонований графово-нейронний метод є унiверсальним, не потребує повної розмiтки даних та може бути iнтегрований у системи аналiзу великих мережевих даних для виявлення координацiйних структур у прикладних задачах монiторингу та iнформацiйної аналiтики.
Посилання
Akoglu L., Tong H., Koutra D. Graph based anomaly detection and description: a survey. Data Mining and Knowledge Discovery 29, 626--688 (2015). https://doi.org/10.1007/s10618-014-0365-y
Fortunato S. Community Detection in Graphs. Physics Reports Volume 486, Issues 3–5, February 2010, Pages 75--174. https://doi.org/10.1016/j.physrep.2009.11.002
Ester M., Kriegel H.-P., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. KDD'96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. 1996. P. 226--231.
Hamilton W. L., Ying Z., Leskovec J. Inductive Representation Learning on Large Graphs. arXiv:1706.02216. https://doi.org/10.48550/arXiv.1706.02216
Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P. S. A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 1, pp. 4-24, Jan. 2021, https://doi.org/10.1109/TNNLS.2020.2978386
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 О. Борисенко
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
