A Trainable Centrality Framework for Modern Data
面向现代数据的可训练中心性框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是通用数据中心性与异常检测，多类数据实验不足以确定给定的计量领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面向现代数据的可训练中心性框架
- 研究问题
- 面对高维或非欧几里得数据，如何在任意表征上有效衡量样本的中心性，并兼顾整体典型程度和局部密度结构？
- 方法与思路
- 作者提出 FUSE，以距离比较训练全局中心性分支，以去噪得分匹配训练局部分支，再用单一参数融合两类信号。
- 材料陈述的贡献
- 摘要称，该方法通过一次前向计算产生中心性分数，在多类数据中恢复经典排序、揭示多尺度几何并取得有竞争力的表现。
- 阅读关注点
- 应核对两类信号的校准方式、融合参数与表征选择的影响，以及深度性质、异常检测基准和计算效率的评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明理论保证或具体性能数值，不能推断满足全部经典深度性质。
原文摘要
Measuring how central or typical a data point is underpins robust estimation, ranking, and outlier detection, but classical depth notions become expensive and unstable in high dimensions and are hard to extend beyond Euclidean data. We introduce Fused Unified centrality Score Estimation (FUSE), a neural centrality framework that operates on top of arbitrary representations. FUSE combines a global head, trained from pairwise distance-based comparisons to learn an anchor-free centrality score, with a local head, trained by denoising score matching to approximate a smoothed log-density potential. A single parameter between 0 and 1 interpolates between these calibrated signals, yielding depth-like centrality from different views via one forward pass. Across synthetic distributions, real images, time series, and text data, and standard outlier detection benchmarks, FUSE recovers meaningful classical ordering, reveals multi-scale geometric structures, and attains competitive performance with strong classical baselines while remaining simple and efficient.