Debiasing Community Detection: The Importance of Lowly-Connected Nodes
社区发现是社会网络分析中的一项重要任务,它使我们能够识别和理解社会结构中的社区。然而,许多社区发现方法或者未能将低度(或低连接)用户分配到社区,或者将他们分配到微不足道的小社区,从而阻止他们被包括在分析中。在这项工作中,我们研究如何排除这些用户可以偏见的分析结果。然后,我们引入了一种方法,通过将低连接用户纳入更大的群体,对他们更具包容性。实验表明,我们的方法优于现有的国家的最先进的F1和Jaccard相似性分数,同时减少对低程度的用户的偏见。
2019-03-19 cs.SI physics.soc-ph
Global Rank Estimation
在现实世界的复杂网络中,节点的重要性取决于两个重要参数:1。节点的特性,以及2.给定应用程序的上下文。目前的文献包含几个中心性的措施,已被定义为衡量一个节点的重要性的基础上给定的应用程序的要求。这些中心性度量为每个节点分配一个中心性值,表示其重要性指数。但在实际应用中,我们更感兴趣的是节点的相对重要性,可以使用基于给定中心性度量的中心性秩来度量。为了计算一个节点的中心性排名,我们需要计算所有节点的中心性值并比较它们以获得排名。这个过程需要整个网络。因此,由于现实世界网络的大规模和动态性,它对于现实生活中的应用是不可行的。在本项目中,我们的目标是提出快速有效的方法来估计一个节点的全局中心性排名,而无需计算所有节点的中心性值。这些方法可以进一步扩展到估计秩,而无需整个网络。所提出的方法使用的结构行为的中心性措施,抽样技术,或机器学习模型。在这项工作中,我们还讨论了如何将这些方法用于度和贴近度中心性秩估计。
2017-10-31 cs.SI physics.soc-ph
Ranking the Importance Level of Intermediaries to a Criminal using a Reliance Measure
最近的研究发现,在一个网络中的重要中间结点涉嫌包含犯罪活动是高度依赖于网络的中心性值。例如,介数中心性被广泛用于对网络中连接所有源节点和所有端节点的最短路径中充当代理的节点进行排名。然而,最短路径节点介数和线性缩放介数都只能显示网络中所有节点的排名。在本文中,我们探索了对中间结点的配对依赖的数学概念,将该概念适用于犯罪关系,并引入了一种新的源-中间依赖度量。为了说明我们的措施,我们将其应用于排名安然电子邮件数据集和Noordin Top Terrorist网络中的节点。我们比较的依赖排名与谷歌PageRank,马尔可夫中心性以及介数中心性,并表明,刑事调查使用的依赖措施,将导致不同的优先级方面的可能的人进行调查。虽然Noordin Top恐怖分子网络节点的排名比Enron电子邮件交易网络产生更极端的差异,但在后者中,财务经理组的依赖值立即确定了另一名被判犯有洗钱罪的雇员。
2016-01-05 cs.SI physics.soc-ph
Detecting Important Nodes to Community Structure Using the Spectrum of the Graph
许多复杂系统都可以表示为网络,而网络如何分解成子网或社区是人们广泛关注的问题。然而,开发一种快速准确地检测对社区重要的节点的方法是一个非常具有挑战性和开放性的问题。在本文中,我们介绍了一种新的方法来表征节点对社区的重要性。首先,提出了一种中心性度量,利用邻接矩阵的谱来度量网络节点对社区结构的重要性。我们将节点对社区的重要性定义为网络邻接矩阵的特征值在移除后的相对变化。其次,我们还提出了一个指标来区分社区中的两种重要节点,即,“社区核心”和“桥梁”。我们的指标只依赖于图矩阵的谱。它们被应用于许多人工网络以及许多现实世界的网络。这种新的方法为我们提供了一个基本的方法来解决这个具有挑战性的问题,并提供了一个现实的结果。
2011-08-02 cs.SI physics.soc-ph
Ranking the spreading influence of nodes in complex networks based on mixing degree centrality and local structure
网络的安全性和健壮性已经引起了各界人士的关注,几个关键节点的损坏将导致极其严重的后果。提出了一种基于节点自身H指数和相邻节点相对距离的聚类H指数混合中心度算法。从节点本身出发,结合节点周围的拓扑结构,确定节点的重要性及其传播能力。为了评估该方法的性能,我们使用易感-感染-扩散(SIR)模型,单调性和分辨率作为实验的评价标准。在人工网络和真实网络中的实验结果表明,CHM中心性在识别节点重要性及其传播能力方面具有良好的性能。
2020-03-07 cs.SI physics.soc-ph
The Bow-Tie Centrality: A Novel Measure for Directed and Weighted Networks with an Intrinsic Node Property
今天,存在许多中心性度量用于评估网络中节点的重要性,作为其位置和底层拓扑的函数。一类这样的措施建立在特征向量中心,其中一个节点的重要性是从它的相邻节点的重要性。对于有向和加权的复杂网络,其中节点可以携带一些内在属性值,已经提出了中心性度量,这些度量是特征向量中心性的变体。然而,这些表达方式都有缺点。在这里,这种中心性措施的扩展,补救所有以前遇到的问题。虽然已经提出了类似的改进的中心性措施作为算法配方,这里提出的新的数量是一个纯粹的分析表达式,只利用邻接矩阵和节点值的向量。详细推导了新的中心性测度。具体来说,中心性本身对于分析显示蝴蝶结拓扑的有向和加权网络(具有节点属性)是理想的。然后计算一个独特的和广泛的现实世界的数据集,来自经济学的新颖的领结中心。它示出了蝴蝶结中心性如何评估类似于其他特征向量中心性措施的节点的相关性,同时不受其缺点的困扰,在网络中存在的周期。
2019-11-03 cs.SI physics.soc-ph
PureRank: A parameter-free recursive importance measure for network nodes
Graduate School of Management, Tokyo Metropolitan University(东京都立大学经营管理研究生院)
PureRank基于递归重要性定义(RDI)提出无参数网络节点重要性度量方法,通过强连通分量分解分类节点,利用Katz方程参数选择计算局部重要性向量,并聚合得到PureRank向量,实验表明其在不同网络结构下具有不同的相似性表现。
2026-05-07 cs.SI
Importance of Overlapping Network Nodes in Influence Spreading
Aalto University School of Science(阿尔托大学理学院)
本研究通过概率模型分析重叠节点在影响扩散中的作用,发现其在传播过程中具有更强的影响力,并揭示了圈结构对重叠效应的影响。
2026-07-28 cs.SI
Evaluating importance of nodes in complex networks with local volume information dimension
University of Electronic Science and Technology of China(电子科技大学);Shaanxi Normal University(陕西师范大学);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
在复杂网络的研究中,如何评价节点的重要性是一个重要的问题。目前已经提出了许多解决这一问题的方法,但这些方法仍有改进的空间。本文提出了一种新的方法--局部体积信息维。在该方法中,计算中心节点不同距离内节点的度之和。一定距离内的信息用信息熵来描述。与其他方法相比,该方法更全面地考虑了不同距离节点的信息。为了证明所提出的方法的有效性,在现实世界的网络上进行了实验。实验结果表明了该方法的有效性。
2022-03-25 cs.AI cs.SI
Label Informed Contrastive Pretraining for Node Importance Estimation on Knowledge Graphs
Tsinghua University(清华大学);Fuyao Institute of Technology(福耀科技大学);Chinese Academy of Sciences(中国科学院);Southern University of Science and Technology(南方科技大学);Fuzhou Institute of Data Technology(福州数据技术研究院)
针对知识图谱节点重要性估计,本文提出LICAP标签感知对比预训练框架,利用连续标签分层采样并结合PreGAT学习节点嵌入,显著提升现有方法的回归与排序性能。
2024-02-26 cs.AI cs.LG cs.SI
Map Equation Centrality: Community-aware Centrality based on the Map Equation
为了衡量节点的重要性,网络科学家使用中心性分数,通常从微观或宏观的角度,依赖于节点特征或全局网络结构。然而,传统的中心性度量,如度中心性,介数中心性或PageRank,忽略了现实世界中的社区结构。为了从中观的角度研究基于网络流量的节点重要性,我们解析地推导出一个基于网络流量的社区感知信息理论中心性得分和映射方程背后的编码原则:映射方程中心性。地图方程中心性测量我们可以通过不对到相应节点的随机步行器转换进行编码,使用自适应编码方案并从基于网络流的角度确定节点重要性来进一步压缩网络的模块化描述。信息理论中心性度量可以单独从节点的本地网络上下文确定,因为编码方案的改变仅影响同一模块中的其他节点。地图方程中心性对所选择的网络流模型是不可知的,并允许研究人员选择最能反映所研究过程动态的模型。应用于合成网络,我们强调我们的方法如何使节点之间的更细粒度的区别比节点本地或网络全球的措施。预测有影响力的节点在现实世界的网络上的两个不同的动态过程与传统的和其他社区意识的中心性措施,我们发现,激活节点的基础上地图方程中心性分数往往会创建一个线性阈值模型中最大的级联。
2022-08-17 cs.SI physics.soc-ph
Encoding Node Diffusion Competence and Role Significance for Network Dismantling
逾渗理论表明,删除一小部分关键节点可以导致一个大网络分解成许多不连通的微小子网络。网络分解任务的重点是如何有效地选择最少的关键节点。现有的节点重要性度量方法大多从功能或拓扑的角度出发。与他们不同的是,我们认为节点的重要性可以从两个互补的方面来衡量:功能重要性可以基于节点在网络中传递信息的能力;而拓扑重要性可以从节点的区域结构模式来衡量。在本文中,我们提出了一个无监督学习框架的网络拆除,称为DCRS,编码和融合节点扩散能力和角色的重要性。具体来说,我们提出了一个模拟信息扩散的图扩散神经网络,将具有相似egonet结构模式的节点划分为若干个角色,并构造一个角色图,在此图上对节点的角色重要性进行编码. DCRS转换并融合两种编码以输出用于选择关键节点的最终排名分数。在真实网络和合成网络上的实验表明,我们的方案大大优于最先进的竞争对手,因为它需要更少的节点来拆除网络。
2023-01-29 cs.SI
A Framework of Algorithms: Computing the Bias and Prestige of Nodes in Trust Networks
信任网络是一种社交网络,其中边表示网络中两个节点之间的信任关系。在信任网络中,一个基本的问题是如何评估和计算节点的偏见和声望,其中节点的偏见衡量节点的可信度,节点的声望衡量节点的重要性。节点的偏置越大意味着节点的可信度越低,而节点的声望越大意味着节点的重要性越高。在本文中,我们定义了一个向量值的压缩函数来表征的偏差向量,从而导致在一个丰富的家庭的偏见测量,我们提出了一个框架的算法计算的偏见和信誉的信任网络中的节点。基于我们的框架,我们开发了四种算法,可以有效地和鲁棒地计算节点的偏见和声望。所有算法的时间复杂度和空间复杂度都是线性的。图的大小,因此我们的算法是可扩展的,以处理大型数据集。我们使用五个真实的数据集来评估我们的算法。实验结果表明,我们的算法的有效性,鲁棒性和可扩展性。
2012-07-24 cs.SI physics.soc-ph
Deep Structural Knowledge Exploitation and Synergy for Estimating Node Importance Value on Heterogeneous Information Networks
The Chinese University of Hong Kong(香港中文大学);The Chinese University of Hong Kong, ShenZhen(香港中文大学(深圳));University of Copenhagen(哥本哈根大学);The University of New South Wales(新南威尔士大学)
本文提出SKES框架,通过利用异构结构知识并量化节点与参考节点的差异来估计节点重要性,在三个基准上优于现有方法。
2024-02-19 cs.AI cs.LG cs.SI
Integrating Node Importance and Network Topological Properties for Link Prediction in Complex Network
本文提出一种结合节点重要性与属性的链路预测算法DCCLP,利用White Shark Optimization算法优化参数,在21个网络上验证了其有效性,并证明了度中心性与接近中心性对提升预测准确率的作用。
2023-05-10 cs.SI math.OC
A two-steps tensor eigenvector centrality for nodes and hyperedges in hypergraphs
School of Mathematical Sciences, Harbin Engineering University(哈尔滨工程大学数学科学学院);Academy for Advanced Interdisciplinary Studies, Northeast Normal University(东北师范大学前沿交叉科学研究院)
本文提出了一种基于张量的超图中心性度量方法,通过两步扩展树的极限几何容量解释,量化节点和超边的相对重要性。
2026-03-02 cs.SI math.CO
Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用,包括推断个人在社交网络中的影响力或成功,以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性,但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而,当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性,我们集中在本文的程度中心性。我们开发了一种方法,调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明,建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是,我们的分析表明,在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势,充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义,需要预测的应用程序,一个节点的未来度中心,以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
HoSIM: Higher-order Structural Importance based Method for Multiple Local Community Detection
局部社区发现近年来引起了广泛的研究关注,针对单个局部社区发现,即发现包含给定查询节点集合的社区,已经提出了许多方法。然而,节点可能属于网络中的几个社区,和检测的查询节点集的所有社区,被称为多个本地社区发现(MLCD),是更重要的,因为它可以发现更多的潜在信息。MLCD也更具挑战性,因为当查询节点属于多个社区时,它总是位于社区的复杂重叠区域和边缘区域。因此,通过应用种子扩展方法来检测这些节点的多个社区是不够的。在这项工作中,我们解决了高阶结构重要性(HoSI)的基础上的MLCD。首先,为了有效地估计高阶结构的影响,我们提出了一种新的随机游走变体,称为主动随机游走,以测量节点之间的HoSI得分。然后,我们提出了两个新的指标来评估一个子图的HoSI得分到一个节点和一个节点的HoSI得分,分别。基于所提出的指标,我们提出了一种新的算法,称为HoSIM检测多个本地社区的一个查询节点。HoSIM执行三阶段处理,即子图采样、核心成员识别和局部社区发现。其核心思想是利用HoSI发现和识别与查询节点相关的社区的核心成员,并优化生成的社区。大量的实验验证了HoSIM的有效性。
2022-05-24 cs.SI
Gromov Centrality: A Multi-Scale Measure of Network Centrality Using Triangle Inequality Excess
中心性度量基于不同的几何或扩散属性量化网络中节点的重要性,并关注不同的尺度。在这里,我们采用几何的观点来定义网络中的多尺度中心性。给定节点之间的度量距离,我们通过三角形不等式超额的概念,通过节点接近其邻域中节点之间的测地线的趋势来测量节点的中心性。根据邻域的大小,所得到的Gromov中心性定义了图中不同尺度上节点的重要性,并恢复为限制众所周知的概念,如聚类系数和贴近度中心性。我们认为,Gromov中心性的影响的几何和边界约束的网络,并说明它如何可以帮助区分不同类型的节点在随机几何图形和经验运输网络。
2022-05-10 cs.SI physics.soc-ph
The statistical nature of h-index of a network node
从顺序统计学角度揭示网络节点h-index的统计性质,提出通用框架并推导出比h-index更准确稳健的新中心性指数。
2023-05-19 cs.SI physics.soc-ph stat.AP
A Graph-Neural-Network-Entropy model of vital node identification on network attack and propagation
School of Information Engineering, Nanchang Hangkong University(南昌航空大学信息工程学院)
本文提出GNNE方法,结合GCN、GAT和信息熵,通过节点特征学习、注意力聚合与熵量化来识别复杂网络中的关键节点,在攻击与传播场景下优于多种现有方法。
2025-09-22 cs.SI physics.soc-ph
MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion
Liaoning Technical University(辽宁工程技术大学);software college(软件学院)
针对现有道路节点重要性评估忽略多元交通特征的问题,提出融合多图特征的图学习框架MGL2Rank,通过MGWalk采样与编码学习节点表示实现排序,在沈阳合成数据集上验证了有效性。
2024-05-20 cs.AI cs.LG cs.SI
Importance Ranking in Complex Networks via Influence-aware Causal Node Embedding
School of Mathematics and Statistics, Northwestern Polytechnical University(数学与统计学学院,西北工业大学);MOE Key Laboratory for Complexity Science in Aerospace, Northwestern Polytechnical University(航空复杂科学教育部重点实验室,西北工业大学);College of Systems Engineering, National University of Defense Technology(系统工程学院,国防科技大学)
本文提出了一种基于因果表示学习的节点嵌入方法,用于在复杂网络中进行重要性排名,通过影响感知的因果模块和统一优化框架提升跨网络泛化能力。
2026-02-15 cs.AI cs.SI
Layer-Dependent Importance Sampling for Training Deep and Large Graph Convolutional Networks
UCLA(加州大学洛杉矶分校)
图卷积网络(GCN)由于其在不同图任务和不同领域的成功应用,近年来受到了广泛的关注。然而,为大型图训练GCN仍然是一个挑战。原始的全批量GCN训练需要计算每个GCN层图中所有节点的表示,这带来了很高的计算和内存成本。为了缓解这个问题,已经提出了几种基于采样的方法来在节点的子集上训练GCN。其中,逐节点邻居采样方法递归地采样固定数量的邻居节点,其计算代价受到邻居规模指数增长的影响;而逐层重要性采样方法摒弃了邻居依赖约束,跨层采样的节点存在稀疏连接问题。针对这两个问题,本文提出了一种新的有效的分层重要性采样(LAYER Dependent Importance Sampling,LAYER)算法。该算法基于上层采样节点,选择其邻域节点,构造二部子图,并计算其重要性概率。然后,它通过计算出的概率采样固定数量的节点,并递归地进行每层这样的过程,以构建整个计算图。我们从理论和实验上证明,我们提出的采样算法优于以前的采样方法的时间和内存成本。此外,由于其随机性,LARSTO具有更好的泛化精度比原来的全批GCN。
2019-11-17 cs.LG cs.SI stat.ML
Multiplex PageRank
许多复杂系统可以被描述为多路复用网络,其中相同的节点可以在不同的层中彼此交互,从而形成一组交互和共同进化的网络。这种多重系统的例子是社交网络,其中人们参与不同类型的关系并通过各种形式的通信媒体进行交互。多重网络中节点的排序问题是当前复杂网络研究面临的最紧迫、最具挑战性的课题之一。当节点对可以通过多个链路和多个层连接时,节点的排名必须反映节点在一个层中的重要性以及它们在其他相互依赖的层中的重要性。在本文中,我们借鉴有偏随机游走的思想来定义多重PageRank中心性度量,其中直接考虑了网络之间的相互作用对节点中心性的影响。特别是,根据层之间的相互作用的强度,我们定义的加法,乘法,组合,和中性版本的多重PageRank,并显示每个版本如何反映在何种程度上一个节点的重要性在一个层影响的重要性节点可以获得在另一个层。我们讨论这些措施,并将其应用到一个在线多元化的社会网络。研究结果表明,考虑到网络的多重性,有助于发现不同的排名从一个单一的层获得的节点的排名的出现。结果提供了支持,有利于多个中心的措施,如多重PageRank的显着性,用于评估嵌入在多个相互作用的网络中的节点的突出性,并为脱落的结构特性,否则将保持未检测到的,如果每个相互作用的网络进行了分析,在隔离的新光。
2013-09-23 cond-mat.stat-mech cs.SI physics.soc-ph
Searchability of central nodes in networks
社交网络是离散系统,在节点(个体)之间具有大量的异质性。中心性度量旨在量化节点对结构和功能的重要性。在这里,我们问在何种程度上最中心的节点可以找到纯粹的本地搜索。我们发现,许多网络在特征向量中心性下具有接近最优的可搜索性,优于度和介数的搜索。在流行病动态中,最强传播者的可搜索性往往比亚临界传播大得多。
2013-06-11 cs.SI physics.soc-ph
Importance of individual events in temporal networks
记录成对个体之间的带时间戳的社交互动(例如,面对面的交谈、电子邮件交换和电话呼叫)构成了所谓的时间网络。时态网络与传统静态网络的一个显著区别在于,生成节点集体行为的单位元素是时间戳事件而不是链接。我们提出了一个单一的相互作用事件的重要性措施。通过概括[Kossinets G,Kleinberg J,and Watts D J(2008)Proceeding of the 14th ACM SIGKDD International conference on knowledge discovery and data mining,p 435]提出的事件推进概念,我们提出,当一个事件携带有关他人的新信息到事件中涉及的两个节点时,该事件就是中心的。我们发现,所提出的措施,正确量化的重要性,在连接节点沿时间顺序路径的事件。由于真实数据中事件重要性的强烈异质性,一小部分高度重要的事件是必要的,足以维持时间网络的连通性。然而,与无标度网络对抗链接移除的行为相反,这一特性主要来自突发活动模式,而不是异构度分布。
2012-10-02 cond-mat.stat-mech cs.SI physics.soc-ph
Heterogeneous Graph Attention Network
图神经网络作为一种基于深度学习的强大的图表示技术,表现出了优越的性能,引起了相当大的研究兴趣。然而,对于包含不同类型节点和链接的异构图,图神经网络没有充分考虑这一点。异构图的异构性和丰富的语义信息给设计面向异构图的图神经网络带来了很大的挑战。最近,深度学习最令人兴奋的进展之一是注意力机制,它的巨大潜力已经在各个领域得到了很好的展示。本文首先提出了一种基于层次注意力的异构图神经网络,包括节点级注意力和语义级注意力。具体来说,节点级注意力旨在学习节点与其基于元路径的邻居之间的重要性,而语义级注意力能够学习不同元路径的重要性。通过从节点级和语义级注意力中学习重要性,可以充分考虑节点和元路径的重要性。然后,该模型可以生成节点嵌入聚合功能从元路径为基础的邻居在一个层次的方式。在三个真实世界的异构图上进行的大量实验结果不仅显示了我们提出的模型在最先进技术上的优越性能,而且还表明了它对图分析的潜在良好的可解释性。
2021-01-20 cs.SI
Accurate ranking of influential spreaders in networks based on dynamically asymmetric link-impact
我们提出了一个有效和准确的衡量排名的传播者,并确定有影响力的网络传播过程中。虽然边决定了节点之间的连接,但它们在传播中的具体作用应该明确考虑。连接节点i和j的边对于从i扩展到j和从j扩展到i的重要性可能不同。关键问题是节点j在通过边被i感染后,是否会接触到i本身无法直接到达的其他节点。有必要调用两个不等的权重wij和wji,根据节点i和j的邻域来表征边缘的重要性。源自节点的总不对称方向权重导致一种新的度量si,其量化了节点在扩散过程中的影响。s-shell分解方案进一步为节点分配s-shell指数或加权核心。基于si和加权核心度的排名的有效性和准确性通过将它们应用于九个真实世界的网络来证明。结果表明,它们通常优于基于节点度和k壳指数的排名,同时保持较低的计算复杂度。我们的工作代表了理解和控制疾病、谣言、信息、趋势和网络创新传播的关键一步。
2017-05-10 cs.SI physics.soc-ph
Temporal-varying failures of nodes in networks
我们考虑的网络中,随机游走者被删除,因为特定节点的故障。我们将损失率解释为节点重要性的度量,这一概念我们称为故障中心性。我们表明,节点的度不足以确定该度量,并且在一级近似中,必须考虑通过节点的最短循环。我们提出了近似的故障中心性,这是有效的随时间变化的故障,我们详述外部改变节点的相对重要性在一个给定的网络中的可能性,通过利用一个节点的循环和故障的时间模式的周期之间的干扰。在长故障周期的限制,我们分析表明,在一个节点的逃逸大于一个随机故障估计具有相同的故障概率。我们测试我们的一般形式主义在两个现实世界的网络(航空运输和电子邮件用户),并显示社区如何导致偏离预测的枢纽故障。
2015-07-07 cs.SI physics.data-an physics.soc-ph
Improving the accuracy of the k-shell method by removing redundant links-from a perspective of spreading dynamics
最近的研究表明,由于类核群的存在,k-壳指数较大,但扩散效率较低,从而大大影响了k-壳方法在扩散过程中确定节点核度的准确性。通过对真实网络中类核群结构的分析,发现类核群中的节点相互之间连接紧密,而离开群的链路很少。通过定义一个基于每一条边的两端的出链数的扩散重要性度量,我们能够识别出扩散过程中的冗余链,这些冗余链具有相对较低的扩散重要性,但会导致形成局部密集连接的类核群.在滤除冗余链路后,对剩余网络应用k壳方法,得到每个节点的更新核心度,这是一个更准确地反映其在原网络中位置重要性和传播影响力的指标。此外,我们发现基于更新核度的排序算法的性能也得到了很大的提高。我们的研究结果有助于更准确地分解网络的核心结构,并确定在传播过程中有影响力的节点。
2015-05-27 cs.SI physics.soc-ph
UniqueRank: Identifying Important and Difficult-to-Replace Nodes in Attributed Graphs
Massachusetts Institute of Technology(麻省理工学院);Lincoln Laboratory, Massachusetts Institute of Technology(林肯实验室,麻省理工学院);Meta;UMass(马萨诸塞大学)
针对现有节点排序方法未考虑节点可替代性的问题,提出结合结构重要性与属性独特性的马尔可夫链方法UniqueRank,可识别更难替代的重要节点,在多类真实网络及生物分子结构场景中均有效。
2025-10-21 cs.SI
Scale-dependent measure of network centrality from diffusion dynamics
图中心性的经典度量捕获节点重要性的不同方面,从局部(例如,度)到全局(例如,接近)。在这里,我们利用扩散和几何之间的联系,介绍了多尺度中心性措施。如果节点由于图中的有效边界和不均匀性而破坏了扩散的度量性,则该节点被定义为中心节点。我们的措施自然是多尺度的,因为它是计算相对于图邻域内的扩散的变化的时间范围。我们发现,节点的中心性可以在不同的尺度上有很大的不同。特别是,我们的测量与程度相关(即,集线器)以小规模和紧密性(即,桥),也揭示了复杂网络中多中心结构的存在。通过检查跨尺度的中心性,我们的措施,从而提供了一个节点的重要性相对于网络上的本地和全球进程的评估。
2020-07-21 cs.SI physics.soc-ph
Eigenvector centrality of nodes in multiplex networks
我们将特征向量中心性的概念扩展到多路复用网络,并引入了几个替代参数,量化了节点在多层网络系统中的重要性,包括向量型中心性的定义。此外,我们严格表明,在合理的条件下,这样的中心性措施存在,是唯一的。计算机实验和模拟表明,所提出的措施提供了显着不同的结果时,适用于相同的多重结构,并突出了非平凡的不同措施的中心性之间的关系。
2013-09-04 cs.SI physics.soc-ph
Measure the similarity of nodes in the complex networks
复杂网络中节点的相似性度量一直是众多研究者关注的问题,本文提出了一种基于度中心度和相对熵的复杂网络节点相似性度量方法。研究结果表明,具有共同结构属性的节点与其他节点具有较高的相似度。对其他节点影响力大的节点与其他节点的相似度值较小,边缘节点与其他节点的相似度值也较低。结果表明,该方法对复杂网络中节点的相似性度量是有效的、合理的。
2015-02-03 cs.SI physics.soc-ph
Dynamic PageRank using Evolving Teleportation
网络中节点的重要性会随着网络结构的变化以及外部利益的变化而不断波动。我们提出了一个不断发展的PageRank方法的隐形传态适应捕捉外部利益的变化如何影响节点的重要性。这个框架无缝地概括了PageRank,因为如果外部影响停止变化,节点的重要性将收敛到PageRank值。我们证明了在维基百科图和Twitter社交网络上不断发展的隐形传态的有效性。外部兴趣由每个页面每小时的访问者数量和每个用户每月的推文数量给出。
2012-03-27 cs.IR cs.SI math.DS
Efficient target control of complex networks based on preferential matching
控制一个复杂的网络达到期望的状态在许多应用中是非常重要的。现有的工作提出了一种近似算法来找到驱动节点用于控制网络的部分节点。但该算法得到的驱动节点依赖于节点的匹配顺序,不能得到最优结果。在这里,我们提出了一种新的算法来找到驱动节点的目标控制的基础上优先匹配。该算法精心安排节点的匹配顺序,以最小化驱动节点集的规模。仿真和实际网络的实验结果表明,该算法的性能优于前一种算法。该算法在复杂网络控制中有着广泛的应用。
2016-06-27 cs.SI physics.soc-ph
K-method of calculating the mutual influence of nodes in a directed weight complex networks
研究了有向权复杂网络中成对节点的一个新特征。提出了一种计算复杂网络特性的方法(K法)。该方法是基于转换的初始网络与基尔霍夫规则的后续应用。提出了稀疏复杂网络的方法的范围。这些复杂网络的节点是真实世界的概念,其连接具有所谓“认知地图”的因果特征。提出了具有语义解释的概念节点的两个新特征,即“压力”和“影响”,考虑了所有节点之间的相互影响。
2018-07-16 cs.SI physics.soc-ph
Analytical model of misinformation of a social network node
本文研究了认知、行为、表征等因素对社交网络中参与者对错误信息的敏感性以及节点在这方面的活动的影响。本研究的重要性在于阻断宣传的方法。这是非常重要的,因为当人们不自觉地获取信息时,他们中的一些人会在他们的社会态度上经历不希望的变化。这种现象通常会导致信息战争。本研究基于迭代学习过程模型,建立了一个计算社会网络参与者(网络节点)错误信息水平的模型。
2012-12-03 cs.SI physics.soc-ph
Understanding mobility in networks: A node embedding approach
Universidade Federal de Ouro Preto(奥罗普雷托联邦大学);Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Politecnico di Torino(都灵理工大学);Instituto Tecnológico de Aeronáutica(航空技术学院)
由于越来越多的移动设备能够连接和交换消息,我们提出了一种方法,旨在建模和分析网络中的节点移动性。我们注意到,在文献中的许多现有的解决方案依赖于拓扑测量直接计算的节点联系人的图形,旨在捕捉的概念节点的重要性方面的连接和移动模式有利于原型设计,设计和部署的移动网络。然而,每一个措施都有其特殊性,并未能概括节点的重要性,最终随着时间的推移而变化的概念。与以前的方法不同,我们的方法基于节点嵌入方法,该方法对节点在移动性和连接性模式中的重要性进行建模并揭示,同时保留其空间和时间特征。我们专注于一个基于小组会议痕迹的案例研究。结果表明,我们的方法提供了一个丰富的表示提取不同的移动性和连接模式,这可以是在移动网络中的各种应用和服务的帮助。
2021-11-11 cs.LG cs.NI cs.SI
Local structure entropy of complex networks
识别复杂网络中的影响节点具有重要的理论和实际意义。在复杂网络中,有很多方法可以用来识别影响节点。本文提出了一种基于度中心性和统计力学的局部结构熵来识别复杂网络中的影响节点。在局部结构熵的定义中,每个节点都有一个局部网络,每个节点的局部结构熵等于局部网络的结构熵。局部结构熵的主要思想是试图用局部网络的影响来代替节点对整个网络的影响。由局部结构熵识别出的有影响力的节点是网络中的中间结点。中间结点是连接那些度值较大的结点的结点。我们使用$Susceptible-Infective$(SI)模型来评估由局部结构熵识别的有影响力的节点的性能。在SI模型中,节点用作感染源。根据SI模型,网络中感染节点的比例越大,该节点对整个网络的重要性越大。对四个实际网络的仿真结果表明,该方法对复杂网络中影响节点的识别是有效的、合理的。
2014-12-12 cs.SI physics.soc-ph
Choosing to Grow a Graph: Modeling Network Formation as Discrete Choice
我们提供了一个框架,通过离散选择和随机效用理论,其中每个新的边缘被视为一个节点连接到另一个节点的“选择”,基于(通用)功能的其他节点可用于连接条件多项式logit模型的社会网络的形成建模。这种网络形成的观点统一了现有的模型,如优先连接,三元闭合,节点适应度,这些都是特殊情况下,从而提供了一个灵活的方法来概念化,估计和比较模型。离散选择理论的视角也为分析社会网络的形成提供了几种新的工具;例如,节点特征的重要性可以以统计上严格的方式进行评估,现有模型的混合可以通过适应已知的期望最大化算法来估计。我们展示了我们的框架的灵活性,通过分析一些合成和现实世界的数据集的例子。例如,我们提供了严格的方法来估计偏好连接模型,并展示了如何分离偏好连接和三元封闭的影响。度的重要性的非参数估计显示出高度线性的趋势,我们揭示了仔细观察度为零的节点的重要性。通过研究一个大型引文图的形成,我们发现在考虑年龄时,学位的作用有所增加。
2020-05-21 cs.SI physics.soc-ph
A novel method based on node correlation to evaluate the important nodes in complex networks
通过网络拓扑结构发现网络中的重要节点对提高网络抗毁性具有重要意义。最近已经提出了一些中心性的措施来评估节点的相关性的基础上的性能,表明节点之间的相互作用对节点的重要性有影响。提出了一种基于节点分布和全局影响力的复杂网络预测方法。我们的主要思想是,节点的重要性不仅与网络中的相对位置有关,而且与彼此之间的相关性有关。根据距离矩阵对复杂网络中的节点进行分类,然后计算节点对之间的相关系数。从网络整体的角度出发,基于任意两个节点之间的相关性和最短距离,提出了全局相似中心度(GSC)。在两个人工数据集和八个不同规模的真实数据集上分析了该方法的效率、精度和单调性。实验结果表明,GSC方法的性能优于目前最先进的算法。
2021-02-22 cs.SI math.CO
Value of peripheral nodes in controlling multilayer networks
我们分析了一个两层网络的可控性,其中驱动节点只能从一层随机选择。每一层包含一个无标度网络与有向链接和节点的动态依赖于从其他节点传入的链接。我们结合入度和出度值来为每个节点分配重要性值$w$,并区分具有低$w$的外围节点和具有高$w$的中心节点。基于数值模拟,我们发现当选择低$w$节点连接两层时,网络的可控部分较大。当外围节点是驱动器节点时,控制与更多中心节点的情况一样有效。然而,如果我们假设利用节点的成本与它们的整体度成比例,那么利用外围节点连接两层或充当驱动节点不仅是最具成本效益的解决方案,而且在我们测试的不同互连策略中,它也是控制双层网络的最佳方案。
2016-01-29 cs.SI physics.soc-ph
Identification of hybrid node and link communities in complex networks
复杂网络中社团的识别已经成为分析复杂系统的有效手段。它在社会科学、工程学、生物学和医学等不同领域有着广泛的应用。节点社区和链路社区是网络结构分析的两种常用方法。然而,这些计划有固有的缺点,往往不足以正确地捕捉在真实的网络复杂的组织结构。我们介绍了一种新的方案和有效的方法来识别复杂的网络结构,使用混合的节点和链接社区,称为混合节点链接社区。我们的方法的一个核心部分是一个概率模型,可容纳节点,链接和混合节点链接社区。我们在各种真实世界的网络上进行了大量的实验,包括一个大型的蛋白质-蛋白质相互作用网络和一个大型的常用词语义关联网络,表明混合社区的方案在揭示网络特征方面具有优越性。此外,新的方法优于现有的方法分别找到节点或链接社区。
2013-09-18 cs.SI physics.soc-ph
Time Centrality in Dynamic Complex Networks
研究时变图中的动力学问题越来越受到人们的关注。然而,到目前为止,TVG场景中的中心性概念通常是指评估动态复杂网络时间演化过程中节点相对重要性的度量。然而,对于某些TVG场景,比在给定节点中心性定义下识别中心节点更重要的是识别采取某些动作的关键时刻。因此,在本文中,我们介绍和调查的时间中心的概念,在电视节目。类似于节点中心性,时间中心性评估动态复杂网络中时刻的相对重要性。在这种情况下,我们提出了两个时间中心性度量相关的扩散过程。我们使用代表面对面接触动态网络的真实数据集和合成生成的随机TVG来评估这两个定义的指标。我们验证了时间中心性的概念,表明根据我们的指标,从最佳分类时刻(即最中心的时刻)开始的扩散可以执行更快,更有效的扩散过程。
2015-09-06 cs.SI physics.soc-ph
Rank me thou shalln't Compare me
中心性测度被定义来量化复杂网络中节点的重要性。节点的相对重要性可以通过基于中心性值的中心性等级来衡量。在目前的工作中,我们预测的程度中心性排名的一个节点,而没有整个网络。该方法利用节点的度和一些网络参数来预测其秩。这些网络参数包括网络大小、网络的最小度、最大度和平均度。这些参数估计使用随机游走抽样技术。该方法在Barabasi-Albert网络上进行了验证。仿真结果表明,该方法能够更准确地预测度较高的节点的秩。秩预测的平均误差约为网络大小的$0.16\%$。
2016-11-27 cs.SI
Ranking the spreading influence in complex networks
识别网络中节点的传播影响力是优化网络结构、确保信息更有效传播的一项重要任务。本文通过考虑目标节点与$k$ -core值最大的节点集之间的最短距离,提出了一种改进的排序表生成方法来评估节点的传播影响力。通过与4个真实网络和Barabási-Albert网络的传播过程结果比较,无参数方法比度$k$、贴近中心度、$k$ -壳和混合度分解方法更能准确地识别节点传播影响.这将有助于深入理解网络中节点的重要性。
2014-08-20 cs.SI physics.soc-ph
The spreading ability of nodes towards localized targets in complex networks
传播作为复杂网络上的一种重要动力学类型,被广泛应用于传染病传播、信息传播等实际过程的建模。传播研究中最重要的问题之一是对网络中节点的传播能力进行排序。为此,已经做出了大量的努力,并提出了各种有效的方法。这些方法通常将节点的传播能力定义为最终感染节点的数量,假定传播是从节点开始的。然而,在许多实际情况下,如广告和医学科学,传播的目的只是覆盖一组特定的节点。因此,有必要研究复杂网络中节点对局部目标的传播能力。在本文中,我们提出了一个反向的局部路径算法对此问题。仿真结果表明,我们的方法优于现有的方法,在确定有影响力的节点相对于这些本地化的目标。此外,我们的方法确定的有影响力的传播者可以有效地避免在传播过程中感染的非目标节点。
2015-12-17 cs.SI physics.soc-ph
Beyond the clustering coefficient: A topological analysis of node neighbourhoods in complex networks
在网络科学中,节点邻域,也称为自我中心网络,引起了人们的广泛关注。特别是聚类系数已被广泛用于衡量他们的地方凝聚力。在本文中,我们展示了如何,给定两个节点具有相同的聚类系数,其邻域的拓扑结构可以显着不同,这表明需要超越这个简单的表征。我们进行了大规模的统计分析的拓扑结构的节点邻域的真实网络,首先构建他们的团复合体,然后计算他们的贝蒂数。我们能够显示真实网络的节点邻居的拓扑与随机单纯复形的零模型的随机拓扑之间的显着差异,揭示节点邻居的局部组织原则。此外,我们观察到,一个大规模的节点邻域的拓扑特性的统计分析是能够清楚地区分幂律网络,平面道路网络。
2019-01-30 cs.SI physics.soc-ph
Node similarity distribution of complex networks and its application in link prediction
多年来,量化节点的相似性一直是复杂网络中的一个热门话题,但对节点相似性的分布却知之甚少。在本文中,我们认为一个典型的衡量节点的相似性称为共同的邻居相似性(CNS)。通过生成函数,我们提出了一个计算各种复杂网络中节点集CNS分布的一般框架。特别地,我们证明了对于Erdös-Rényi(ER)随机网络,任何特定大小的节点集的CNS分布服从泊松定律。我们还连接节点相似性分布的链接预测问题。我们发现,链接预测的性能完全取决于CNS分布的连接和未连接的节点对在网络中。此外,我们推导了链接预测中两个关键评估指标的理论解:i)精度和ii)接收器工作特征曲线(AUC)下的面积。我们表明,对于任何链接预测方法,如果连接和未连接的节点对的相似性分布是相同的,AUC将是$0.5$。理论解是传统实验评估方法的优雅替代方案,但计算成本要低得多。
2019-10-08 cs.SI physics.soc-ph
BLISS: Bandit Layer Importance Sampling Strategy for Efficient Training of Graph Neural Networks
Wilfrid Laurier University(威尔弗里德·劳里埃大学);Waterloo, Ontario, Canada(加拿大安大略省温哥华);Singapore Management University(新加坡管理学院);Georgia Institute of Technology(佐治亚理工学院)
BLISS通过多臂老虎机动态选择重要节点,提升图神经网络训练效率,兼容GCN和GAT,实验显示其在精度上不逊于全批量训练。
2025-12-26 cs.AI cs.LG cs.SI
Immunization strategies for epidemic processes in time-varying contact networks
扩展过程是研究网络结构特性及其组成部分的相对重要性的一个非常有效的工具,并已被广泛用于静态网络。在这里,我们认为简单的疾病传播过程中的经验时变网络的个人之间的接触,并比较这些过程中的几种免疫策略的效果。免疫策略被定义为选择一组不能感染或传播疾病的节点(个体)。该选择根据接触网络的节点的特定排名来执行。我们考虑了各种排名策略,特别关注训练窗口的作用,在此期间,在时变网络中测量节点的属性:较长的训练窗口对应于收集的大量信息,并且可以预期会导致免疫策略的更好性能。相反,我们发现一个意想不到的饱和的效率的策略的基础上节点的特征时,训练窗口的长度增加,显示有限的信息量的接触模式是足够的设计有效的免疫策略。这一发现是平衡的大变化的接触模式,强烈改变节点的重要性,从一个时期到下一个,因此显着限制任何策略的效率的基础上的重要性排名的节点。我们还观察到,策略的效率,包括一个随机性的元素,是基于时间上的本地信息不执行以及,但在很大程度上是独立的信息量。
2013-05-10 cs.SI physics.soc-ph q-bio.PE
Compressive Closeness in Networks
Boston University(波士顿大学);ETH(苏黎世联邦理工学院)
分布式算法的网络科学应用是非常重要的,由于今天的大型现实世界的网络。在这样的算法中,一个节点只允许与它的直接邻居进行本地交互。这是因为整个网络的拓扑结构往往是未知的每个节点。近年来,分布式检测网络中的中心节点,涉及不同的概念的重要性,受到了广泛的关注。接近中心性是一个重要的衡量标准,用于评估节点在给定网络中的重要性(影响力),基于其可访问性。在本文中,首先,我们引入了一个本地(自我为中心)的度量,以及与全球的接近中心,但它具有非常低的计算复杂性。其次,我们提出了一个基于压缩感知(CS)的框架,利用所提出的局部度量准确地恢复网络中的高接近中心节点。以自我为中心的度量计算及其通过CS的聚合都是高效和分布式的,仅使用相邻节点之间的本地交互。最后,我们通过在各种合成和真实网络上的广泛实验来评估所提出的方法的性能。结果表明,该局部度量与全局接近中心度相关性好于现有的局部度量。此外,实验结果表明,该方法优于现有的方法,具有显着的改善。
2019-06-19 cs.LG cs.SI