BETVLCTOR伟德官方网站杨博教授指导的2019级硕士生赵海宏同学的论文“Effective Fault Scenario Identification for Communication Networks via Knowledge-Enhanced Graph Neural Networks”近日被IEEE Transactions on Mobile Computing (简称TMC) 期刊接收。IEEE Transactions on Mobile Computing是国际移动计算领域顶级期刊，旨在传播移动计算相关领域的最新研究和开发成果，属于中国计算机学会CCF A类期刊。
第一作者赵海宏主要从事图学习和数据挖掘的相关工作，其将于2023年秋季前往香港科技大学(广州)继续攻读博士学位。
本工作是和华为技术有限公司在网络自动驾驶方面的合作成果，通讯作者是杨博教授和伟德bevictor中文版邢千里博士后，其他作者包括伟德bevictor中文版崔佳旭博士后，香港岭南大学沈家星教授，华为技术有限公司朱福进博士和香港理工大学曹建农院士。
论文题目：Effective Fault Scenario Identification for Communication Networks via Knowledge-Enhanced Graph Neural Networks
第一作者：赵海宏
指导教师：杨博
收录期刊：IEEE Transactions on Mobile Computing (TMC)
期刊类别：CCF-A
论文概述：故障场景识别（FSI）是一项具有挑战性的任务，旨在从大量告警中自动识别通信网络中的故障类型，以保证有效的故障恢复。现有的方法主要是基于规则设计的，然而，由于存在规则与信息不匹配的问题，这些方法的准确性难以达到预期。本文中，我们提出了一个有效的故障场景识别方法，名为知识增强图神经网络（KE-GNN），其主要思想是整合规则和图神经网络各自的优点。本工作是第一个使用GNN和规则来解决FSI任务的工作。具体来说，我们使用命题逻辑对知识进行编码，并将它们映射到知识空间中。然后，我们巧妙地设计了一个师生机制，其能够最小化知识嵌入和GNN预测之间的距离，进而能够向GNN中引入知识达到增强的效果。为了验证所提出方法的性能，我们收集并标记了三个真实世界的 5G 故障场景数据集。对这些数据集进行的广泛评估表明，与其他代表性方法相比，我们方法的性能是最优的，平均能够将准确性提高8.10%。此外，所提出的方法在小数据集实验设置下的效果也是最优的，并且可以被有效地应用于具有不同拓扑结构的新网络局点中。
