首页/论文/0904.4863

arXiv 0904.48632009-04physics.soc-phcs.SIphysics.data-anstat.AP

复杂加权网络多尺度主干提取的两阶段算法

A two-stage algorithm for extracting the multiscale backbone of complex weighted networks

Paul B. Slater

备注：: 1 page, letter accepted by PNAS in response to the article by MA Serrano, M Boguna, and A Vespignani, "Extracting the multiscale backbone of complex weighted networks", Proc Natl Acad Sci 106:6483-6488 (2009)
发表信息：: PNAS June 30, 2009 vol. 106 no. 26 E66
DOI：: 10.1073/pnas.0904725106

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

Serrano、Boguna和Vespignani（“Extracting the multiscale backbone of complex weighted networks”，Proc Natl Acad Sci 106：6483-6488 [2009]）关注的中心问题可以使用已被应用于许多国家的内部迁移流和若干其他形式的“交易流数据”的成熟的两阶段算法来有效且优雅地解决。

英文摘要：

The central problem of concern to Serrano, Boguna and Vespignani ("Extracting the multiscale backbone of complex weighted networks", Proc Natl Acad Sci 106:6483-6488 [2009]) can be effectively and elegantly addressed using a well-established two-stage algorithm that has been applied to internal migration flows for numerous nations and several other forms of "transaction flow data".

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

本征稠密加权网络的符号骨干提取

Extracting the signed backbone of intrinsically dense weighted networks

网络为分析来自自然、社会和技术领域的各种复杂系统提供了有用的工具。不断增长的数据大小和种类（如更多的节点和链接以及相关的权重、方向和标志）可以提供附件信息。另一方面，链接和权重丰富会导致网络更密集，包含噪声、无关紧要或其他冗余数据。此外，典型的网络分析和可视化技术以稀疏性为前提，并且不适合于密集和加权网络或可扩展。作为一种补救措施，网络主干提取方法的目标是只保留重要的链接，同时保留原始网络的有用和说明性的结构，以供进一步分析。在这里，我们提供了第一种从本质上稠密的无符号单部加权网络中提取有符号网络骨干的方法。利用基于统计技术的空模型，建议的重要性过滤器和活力过滤器允许推断边缘符号。对迁移、投票、时间交互和物种相似性网络的实证分析表明，所提出的过滤器在提取有意义和稀疏的有符号主干的同时，保留了网络的多尺度性质。由此产生的骨干表现出典型的特征与签署的网络，如互惠性，结构平衡和社区结构。所开发的工具作为免费的开源软件包提供。

2021-05-25cs.SIphysics.soc-phstat.AP

复杂加权网络的多尺度主干提取

Extracting the multiscale backbone of complex weighted networks

大量的复杂系统以加权网络的形式找到一种自然的抽象，其节点表示系统的元素，而加权边标识相互作用的存在及其相对强度。近年来，越来越多的大规模网络的研究已经突出了他们的相互作用模式的统计异质性，与度和权重分布的变化在许多数量级。这些特征，以及大量的元素和链接，使得提取形成网络主干的真正相关的连接成为一个非常具有挑战性的问题。更具体地说，粗粒度的方法和过滤技术正在与大规模系统的多尺度性质作斗争。在这里，我们定义了一个过滤方法，提供了一个实用的程序来提取相关的连接骨干在复杂的多尺度网络，保留的边缘，代表统计显着的偏差相对于一个空模型的局部分配的权重边缘。该方法的一个重要方面是，它不轻视小规模的相互作用，并在由重量分布定义的所有尺度上运行。我们将我们的方法应用到现实世界的网络实例中，并将所得结果与其他骨干提取技术进行比较。

2009-04-15cond-mat.dis-nncs.NIphysics.soc-ph

加权模复杂网络中主干的提取

Extracting Backbones in Weighted Modular Complex Networks

网络科学为复杂系统的建模和分析提供了有效的工具。然而，现实世界的网络规模不断增加，成为理解其结构和拓扑特征的主要障碍。因此，将原始网络映射到一个较小的网络，同时保留其信息是一个重要的问题。提取所谓的网络骨干是一个非常具有挑战性的问题，通常通过粗粒度或基于过滤器的方法来处理。粗粒度方法通过对相似节点进行分组来减小网络大小，而基于过滤器的方法通过基于统计特性丢弃节点或边缘来修剪网络。在本文中，我们提出并研究了两种基于过滤器的方法，利用重叠的社区结构，以提取加权网络中的骨干。事实上，高度连接的节点（集线器）和重叠节点是网络的核心。在第一种方法中，称为“重叠节点自我骨干”，骨干是由重叠节点和它们的邻居的集合简单地形成。在第二种方法中，称为“重叠节点和集线器骨干网”，骨干网由重叠节点和集线器的集合形成。对于这两种方法，具有最低权重的链路从网络中删除，只要保留具有单个连接组件的骨干。实验已经在真实世界的加权网络上进行，这些网络来自不同的领域（社会，共同出现，协作，生物和技术）和不同的规模。结果表明，两种骨架提取方法非常相似。此外，与最有影响力的替代过滤方法的比较表明，所提出的主干提取方法具有更大的能力，可以发现网络中最相关的部分。

2020-08-07cs.SIphysics.soc-ph

提取二分网络的几何骨架

Extracting the geometric backbone of bipartite networks

本文提出一种统计过滤器，通过基准化节点级二分聚类与保持度数的随机化，在合成和真实网络中识别几何信号并提取紧凑骨架，增强连通性和分类性能。

2025-09-23physics.data-anphysics.soc-ph

在线系统中信息骨干的提取

Extracting the information backbone in online system

信息过载是现代社会中的一个严重问题，许多解决方案，如推荐系统已被提出来过滤掉无关信息。在文献中，研究者主要致力于提高推荐算法的性能（准确性和多样性），而忽略了在线用户-对象二分网络拓扑结构的影响。在本文中，我们发现由二分网络提供的一些信息不仅是冗余的，而且是误导。利用这种“少即是多”的特点，我们设计了一些算法，通过从原始网络中删除一些链接来提高推荐性能。此外，我们提出了一种混合的方法相结合的时间感知和拓扑感知的链接删除算法来提取骨干，其中包含的重要信息的推荐系统。从实际应用的角度来看，该方法可以提高推荐系统的性能，减少推荐系统的计算时间，从而提高推荐系统的有效性和效率。

2013-03-26cs.IRcs.SIphysics.soc-ph

多尺度网络约简方法：3,000+ U之间人类迁移流的双随机和差异过滤。S.县

Multiscale Network Reduction Methodologies: Bistochastic and Disparity Filtering of Human Migration Flows between 3,000+ U. S. Counties

为了控制网络中的多尺度效应，可以使用迭代比例拟合（Sinkhorn-Knopp）程序将（一般）加权的有向节点间流矩阵转换为双随机（双随机）形式，该程序交替缩放行和列和，使其全部等于1。在bistochasticized表中的主要条目，然后可以用于网络约简，使用强分量层次聚类。我们说明了这个完善的，广泛应用的两阶段算法的各个方面与3107 × 3107（不对称）1995-2000年美国县际移民流量表。我们比较所获得的结果与使用视差过滤器，为“提取“多尺度骨干的复杂加权网络”，最近提出的塞拉诺，博古纳和Vespignani（SBV）（美国国家科学院院刊）。Acad. Sci. 106 [2009]，6483），对此我们已经简要地进行了评论（Proc. Natl. Acad. Sci. 106 [2009]，E66）。双随机滤波器的性能似乎是优越的-至少在这个特定的情况下-在两个方面：（1）它需要少得多的链接，以完成一个强连接的网络骨干;和（2）它“贬低”小流量和节点少-SBV的主要需求-在这个意义上，非零原始流量与相应的双随机链接的相关性要比与显著性的相关性弱得多由视差过滤器产生的水平。额外的比较研究-要求SBV-这两个过滤程序，特别是关于它们的拓扑性质，应该是相当大的兴趣。与此相关的是，在其许多地理应用中，两阶段程序-除极少数例外-将毗连区分组，往往重建传统区域（例如岛屿），尽管事先…

2010-09-24cs.SIphysics.data-anphysics.soc-ph

更多相关论文收起更多论文

差异-差异：从加权有向网络中提取层次骨架

Disparity-in-Differences: Extracting Hierarchical Backbones of Weighted Directed Networks

本文提出了一种改进的disparity滤波器，用于从加权有向网络中提取层次结构骨架，通过衡量节点间的依赖关系来捕捉更复杂的层次关系。

2025-11-20cs.SIphysics.soc-ph

快速提取预计的二分网络的主干，以帮助社区发现

Fast extraction of the backbone of projected bipartite networks to aid community detection

本文介绍了一种计算成本低的方法，提取的骨干映射到二分网络的单模网络。我们发现，在一个模式的投影的边缘权重分布根据泊松二项分布，并找到预期的权重分布的一个模式的网络从一个随机的二分网络投影只需要知识的二分度分布。能够提取投影的主干非常有利于过滤掉大型复杂网络中的冗余信息，并将单模式投影中的信息缩小到最相关的信息。我们证明了一个模式的投影艾滋病的检测社区的骨干。

2016-03-21cs.SIphysics.soc-ph

使用稀疏骨干的重叠网络社区检测

Overlapping Network Community Detection Using Sparse Backbones

University of Toronto（多伦多大学）

研究针对重叠社区检测算法在质量与可扩展性平衡上的不足，提出Highway算法，利用网络稀疏骨干进行社区推理。通过与10种算法在728个基准网络上比较，Highway在重叠归一化互信息上领先，其他指标也居前列，实现了准确性与效率的较好权衡。

2026-07-17cond-mat.stat-mechcs.SIphysics.soc-ph

世俗社会关系的结构化支柱

The structured backbone of temporal social ties

在许多数据集中，关于系统结构和时间性的关键信息与噪声和非必要元素共存。例如，在网络系统中，一些边缘可能是不必要的，或者只是偶然存在的。过滤它们并提取一组相关的连接，“网络骨干”，是一个不平凡的任务，到目前为止提出的方法不解决时间分辨网络，其可用性在最近几年大大增加。我们在这里开发了这样一种方法，通过定义一个适当的时间网络空模型，它计算节点在控制其活动后随时连接的随机机会。这使我们能够在任何统计显著性水平上识别出具有比预期更多交互的节点对：这些节点形成了重要联系的骨干。我们将我们的方法应用于社会经济利益的经验时间网络，发现（i）在给定的统计显著性水平下，我们的方法比考虑时间聚合网络的方法识别出更重要的联系，以及（ii）当存在社区结构时，最重要的联系是社区内边缘，这表明社区间边缘的权重可以由随机交互的零模型来解释。最重要的是，我们的过滤方法可以为更复杂的结构（如同时交互的三元组）分配重要性，而基于静态表示的方法则无法这样做。引人注目的是，我们发现，显着的三面体不等于三角形组成的三个显着的边缘。我们的研究结果暗示了新的方法来表示时态网络，用于数据驱动的模型和匿名保护的方式。

2018-08-29physics.soc-ph

复杂网络的凸骨架

Convex skeletons of complex networks

一个凸网络可以被定义为使得每个连通的导出子图都包含其节点之间的所有最短路的网络。因此，全凸网络将是在树中缝合在一起的团的集合。在本文中，我们研究了经验网络的最大的高凸性部分，通过删除最少数量的边缘，我们称之为凸骨架。凸骨架是网络生成树的推广，其中每条边都可以被任意大小的团所取代。我们提出了不同的方法来提取凸骨架，并将其应用到社会协作和蛋白质相互作用网络，自治系统图和食物网。我们发现，提取的凸骨架保留度分布，聚类，连通性，距离，节点位置和社区结构，同时使节点之间的最短路径在很大程度上是唯一的。此外，在斯洛文尼亚计算机科学家合著网络中，凸骨架保留了作者之间最强的联系，不同于生成树或高介数骨架和高显着性骨架。因此，凸骨架表示网络骨干的简单定义，其应用于合著和其他社交协作网络。

2018-07-07cs.SImath.MGphysics.soc-ph

复杂网络中显著链路的鲁棒分类

Robust classification of salient links in complex networks

自然、社会和技术系统中的复杂网络一般都表现出丰富的信息。从数据中提取有意义的结构特征是网络理论中最具挑战性的任务之一。已经提出了许多方法和概念来解决这个问题，如中心统计，图案，社区集群和骨干，但这些计划通常依赖于外部和任意参数。目前尚不清楚通用网络是否允许在没有外部干预的情况下对元素进行分类。在这里，我们表明，链路显着性是一个强大的方法来分类网络元素的基础上，所有节点的共识估计。各种各样的经验网络表现出自然的，网络隐含的分类链接到定性不同的群体，和突出的骨架具有通用的统计特性。显着性还预测网络上的传染现象的基本特征，并指向更好地理解经验网络中被其复杂性所掩盖的普遍特征。

2012-05-31physics.soc-ph