nodeklassificering

Nodeklassificering är processen att tilldela varje nod i ett nätverk en eller flera kategoriseringar baserade på nodens egenskaper, dess position i nätverket och dess funktion i systemet. Syftet är att få insikt i nätverkets struktur, funktion och dynamik, samt att underlätta uppgifter som prediktion, filtrering eller policybeslut.

Kriterier för klassificeringen kan vara topologiska mått som nodens grad, centralitet (betweenness, closeness, PageRank) och k-core-nivåer, liksom funktionella eller kontextuella attribut som nodtyp eller roll i processen som nätverket beskriver. I vissa tillämpningar används också tidsbaserade egenskaper och gemensamma grannskap.

Metoder omfattar både övervakad, halvövervakad och oövervakad inlärning. Vid feature-baserad klassificering bygger man på egenskaper som nämndes ovan och tränar klassificeringsmodeller som beslutsträd, SVM eller ensemblemetoder. Grafbaserade metoder inkluderar enkla embeddings (node2vec, DeepWalk) och moderna grafneuronbaserade modeller som GraphSAGE eller GCN, ofta i kombination med semi-supervised etiketter-propagation.

Användningar finns inom flera områden: sociala nätverk där man klassificerar användare eller innehåll, biologiska nätverk där proteiner eller gener får funktionella roller, transport- och kommunikationsnätverk där viktiga noder prioriteras, samt missbruk av nätverk i cybersäkerhet och rekommendationssystem.

Utmaningar inkluderar dynamik i nätverk över tid, heterogena och ofta ofullständiga data, samt behov av tolkningsbara modeller och skydd mot överanpassning.