随机无环网络

有向无环网络的随机图模型

Random graph models for directed acyclic networks

我们研究了有向无环图的随机图模型，这是一类重要的网络，包括引用网络，食物网和前馈神经网络等。我们提出了两个具体的模型，大致类似于传统的无向随机图的固定边数和固定边概率变量。我们计算了这些模型的一些属性，特别是包括给定顶点对之间的连接概率，并将结果与真实世界的非循环网络数据进行比较，发现理论和测量结果惊人地一致-远远好于其他随机图模型与其相应的真实世界网络的一致性。

将复杂网络转化为无环网络

Transforming complex network to the acyclic one

无环网络是一类复杂网络，其中的链接是有向的，没有闭环。在这里，我们提出了一个算法，将一个普通的无向复杂网络转化为一个无环的。对非循环网络的进一步分析允许发现网络的结构特性。通过我们的方法，人们可以找到复杂网络中的社区和关键节点。提出了一种新的复杂网络参数，它可以标识系统中最脆弱的节点。该算法可应用于一般复杂网络中的社区和瓶颈发现。

探索有向无环网络的随机性

Exploring the randomness of Directed Acyclic Networks

在依赖于时间的过程和各种真实系统中自然观察到的前馈关系-例如一些食物网和电子和神经线路-可以用所谓的有向无环图（DAG）来描述。这种网络的分析的一个重要组成部分是一个适当的比较其观察到的架构对一个合奏的随机图，从而量化的{ \em随机性}的真实系统相对于适当的空模型。当实际系统的有限尺寸和/或大连通性与从所谓的{ \em配置模型}获得的预测相比不充分时，这种近似是特别相关的。在本文中，我们分析了DAG随机化的四种方法定义的拓扑不变量（有向和无向度序列和组件分布），旨在保持所需的组合。用一个高度有序的DAG（称为\textit{snake} -图）和一个Erd\：os-Rényi DAG来验证算法的性能.最后，三个真实的案例研究，即\textit{C. elegans}细胞谱系网络，博士生顾问网络和米尔格拉姆的引文网络进行了分析，使用每种随机化方法。结果表明，如何解释度度的关系，在DAG方面，其随机合奏依赖于拓扑不变量。一般来说，真实的DAG提供无序值，当随机化过程中没有保留链接的直接性时，随机值低于预期值。相反，如果链接的方向在整个随机化过程中是保守的，则无序指标接近于从零模型集合获得的无序指标，尽管观察到一些偏差。

Community detection in directed acyclic graphs

Some temporal networks, most notably citation networks, are naturally represented as directed acyclic graphs (DAGs). To detect communities in DAGs, we propose a modularity for DAGs by defining an appropriate null model (i.e., randomized network) respecting the order of nodes. We implement a spectral method to approximately maximize the proposed modularity measure and test the method on citation networks and other DAGs. We find that the attained values of the modularity for DAGs are similar for partitions that we obtain by maximizing the proposed modularity (designed for DAGs), the modularity f…

有向无圈图中的影响、独创性和相似性

Influence, originality and similarity in directed acyclic graphs

我们介绍了一个框架，网络分析的基础上随机游走有向无环图，通过一个给定的节点的概率是关键成分。我们说明了它在评估节点的相互影响和发现引文网络中的开创性论文中的用途。我们进一步引入了一个新的相似性度量，并在一个简单的个性化推荐过程中进行测试。该度量的性能与经典的相似性度量相当，从而进一步支持了我们的框架的有效性。

科学引文模式和其他三角形丰富的非循环网络建模

Modeling scientific-citation patterns and other triangle-rich acyclic networks

我们提出了一个模型的科学引文网络的演变。该模型以出度分布（引用数量的分布）和两个参数作为输入。这些参数捕捉了模型的两个主要成分，即论文相关性的老化和新论文引用旧论文时三角形的形成。我们比较我们的模型与三个网络结构量的经验引文网络。我们发现，在参数空间中的一个独特的点优化所有数量的真实和模型数据之间的匹配。最佳参数值表明，科学论文的影响，至少在我们建模的经验数据集中，与论文发表以来的论文数量成反比。