网络重构与调控算法研究及其隐私保护应用

Network structure mining is a fundamental problem in the field of network data analysis. Network data sources are always the depiction of ground truth at different sampling rates and noise levels, thus how to utilize the structural patterns contained in network data to reconstruct the ground truth and how to analyze and control the capability of network data for ground truth reconstruction has important theoretical value and practical significance. The link prediction problem related to network reconstruction concentrates on the recovery of missing links and take little attention to excavate and regulate the structure patterns of networks, which cannot meet the various application needs of big data analysis and anti-big data analysis in open-sharing environment. Therefore, there is an urgent need for practical network reconstruction and reconstructability controlling methods. In the light of the current research on low-rank sparse representation and structural dictionary learning theory, the study of this project are as follows: Constructing mining model for network structure patterns, and designing network reconstruction algorithms in complex conditions and proposing a general network reconstruction solution; Analyzing the capability of network data and identifying important network elements from respective of ground truth reconstruction, and proposing a framework for reconstructability controlling; Integrating the network reconstruction theory into privacy preserving problem, and establishing a validity assessment framework and designing novel privacy preserving methods for network data.

网络结构挖掘是网络数据分析领域的根本问题。网络数据常常是对真实网络在不同采样程度和不同噪声水平上的侧面反映，因此如何根据网络数据中与真实网络相一致的结构模式重构真实网络以及如何分析、调控网络数据对真实网络的重构能力具有重要的理论价值和实际意义。目前与网络重构相关的链路预测问题主要关注缺失链路的发现，对网络整体结构模式挖掘与调控问题缺乏重视，无法满足开放共享环境中大数据分析及抗大数据分析的不同应用需求，因此迫切需要高效实用的网络重构与调控方法。本项目将结合低秩稀疏表示与结构字典学习理论建立网络结构模式挖掘模型，研究多种复杂情况下的网络重构问题，探索网络重构的一般性模型和算法；分析网络数据对于真实网络的重构能力，发现对重构准确性具有重要影响的节点和链路，提出网络可重构性调控框架；最后将网络重构与调控方法与网络隐私保护相结合进行有效性评估和新型隐私保护方法研究。

网络数据作为大数据的主要表现形式之一，广泛存在于社交网络、智慧城市、医疗健康、金融等各个领域，为科学研究和商业应用提供了充分的数据资源，通过网络数据挖掘发现背后蕴藏的知识和规律能够为社会和经济发展发挥重要作用。本项目以开放共享的真实网络数据为研究对象，结合低秩稀疏、字典学习、深度学习等方面的理论对网络重构与调控问题展开深入研究，拟在如何建立普适高效的网络重构算法、如何设计基于结构模式挖掘的网络可重构性调控方案、如何提出新型网络数据隐私保护方法等方面提出解决措施。针对以上目标，开展深入研究并提出了：1）基于结构建模的网络推理重构方法；2）基于结构模式融合的网络重构方法；3）基于结构模式挖掘的网络可预测性度量方法；4）链路重要性度量与可预测性调控方法；5）基于网络推理预测的隐私风险评估方法；6）面向隐私保护的网络预测模型对抗攻击方法；7）网络信息传播建模与预测方法。针对以上模型算法，通过充分的实验分析证明了其在网络预测重构，网络可预测性调控以及网络数据隐私保护方面的有效性。到项目结题为止，在国内外重要学术期刊或国际会议上发表与本项目相关的论文16篇，其中SCI检索11篇、EI检索4篇、中文核心1篇，申请专利6件，其中授权4件。项目组在未来将继续与相关研究学者合作，积极参加学术会议，推动此领域的深入发展。

内容获取失败，请点击重试