Multilayer Network Analysis: The Identification of Key Actors in a Sicilian Mafia Operation
最近,社会网络分析的研究已经导致了现有工具的改进和推广到具有多个子系统和连接层的网络。这种网络通常被称为多层网络。多层网络中的每一层与网络中的其他某个层共享至少一个节点,这种多层网络称为多路复用网络。作为一个多路复用网络并不要求所有节点都存在于每一层上。在本文中,我们建立了一个犯罪多元化网络,涉及一个反黑手党的行动称为“蒙塔格纳”,它是基于审查的审前拘留令发出的2007年3月14日由法官初步调查的墨西拿法院(西西里岛)。《Montagna》聚焦于两个黑手党家族,分别叫“Mistretta”和“Batanesi”,他们通过一个与西西里黑手党关系密切的企业家卡特尔渗透到西西里东北部的几项经济活动中,包括公共工程。最初,我们推导出两个单层网络,前者捕获嫌疑人之间的会议,后者记录电话。但是,一些网络系统可以更好地通过多层结构来建模,其中各个节点在多层中发展关系。因此,我们从单层网络构建了一个双层网络。这两个层共享47个节点。我们遵循三种不同的方法来衡量多层网络中的节点的重要性,使用度作为描述符。我们的分析可以帮助识别犯罪网络中的关键参与者。
2021-05-19 cs.SI physics.soc-ph
Community detection with node attributes in multilayer networks
网络中的社区发现通常使用关于节点之间的交互的信息来执行。最近的进展已纳入多种类型的相互作用,从而将标准方法推广到多层网络。但是,通常可以访问有关单个节点、属性或协变量的其他信息。因此,一个相关的问题是如何将这些额外的信息适当纳入此类框架。在这里,我们开发了一种方法,结合了拓扑结构的相互作用和节点属性,以提取社区的多层网络。我们提出了一个原则性的概率方法,不假设属性和社区之间的任何先验相关结构,而是从数据推断。这导致了一个有效的算法实现,利用数据集的稀疏性,并可用于执行多个推理任务;我们在线提供了代码的开源实现。我们证明了我们的方法在合成和真实世界的数据和比较性能的方法,不使用任何属性信息。我们发现,包括节点信息有助于预测丢失的链接或属性。它还导致更可解释的社区结构,并允许量化输入中给定的节点属性的影响。
2020-09-10 cs.SI physics.data-an physics.soc-ph
Principled Multilayer Network Embedding
多层网络分析已经成为理解复杂系统中不同关系及其相互作用的重要工具,其中多层网络中的每一层描述了对应于特定关系的一组节点的拓扑结构。不同层之间的相互作用意味着不同的关系如何在每一层的拓扑结构上相互作用。对于单层网络,已经提出了网络嵌入方法,以将网络中的节点投影到具有相对较小维数的连续向量空间中,其中该空间将社交表征嵌入节点之间。这些算法已经被证明在各种规则图分析任务上具有更好的性能,例如链接预测或多标签分类。本文通过将标准图挖掘扩展到多层网络,提出了将多层网络投影到连续向量空间的三种方法(“网络聚合”、“结果聚合”和“层协同分析”)。通过评估,我们证明了与常规链接预测方法相比,“层协分析”在大多数数据集上都取得了最佳性能,而“网络聚合”和“结果聚合”也比常规链接预测方法有更好的性能。
2017-09-15 cs.SI physics.soc-ph
Clustering Network Layers With the Strata Multilayer Stochastic Block Model
多层网络是一种用于同时捕获一组节点之间的多种类型关系的有用数据结构。在这样的网络中,每一个关系定义都会产生一个层。虽然每一层都提供了自己的信息集,但跨层的社区结构可以共同用于发现和量化节点之间的底层关系模式。为了从多层网络中简洁地提取信息,我们建议识别和组合社区结构中具有有意义相似性的层集。本文描述了一种多层群落结构的概率模型--“地层多层随机块体模型”(sMLSBM)。该模型的中心扩展是存在层组,称为“层”,其被定义为使得给定层中的所有层具有由公共随机块模型(SBM)描述的社区结构。也就是说,层中的层表现出类似的节点到社区分配和SBM概率参数。将sMLSBM拟合到多层网络提供了产生节点到社区和层到层分配的联合聚类,其在推断期间相互协作地辅助。我们描述了一种算法,用于分离层到其适当的地层和推断技术,用于估计每个地层的SBM参数。我们使用合成网络和从人类微生物组项目收集的数据推断的多层网络来演示我们的方法。
2015-10-09 cs.SI physics.soc-ph stat.ML
On a Class of Stochastic Multilayer Networks
本文介绍了一类新的随机多层网络。随机多层网络是$M$网络(每层一个)的聚合,其中每个网络是基础网络$G$的子图。每一层网络是从$G$概率性地移除链路和节点的结果。所得到的网络包括至少出现在$K$层中的任何链路。这个模型是一个非标准的网站键渗流模型的一个实例。得到两组结果:第一,我们推导出概率分布的$M$层网络是在一个给定的配置为一些特定的图形结构(明确的结果提供了一条线和一个算法提供了一棵树),其中的配置是集体状态的所有链接(每个活动或不活动)。接下来,我们表明,适当缩放的节点和链路选择过程中的一层,链路是渐近独立的层数趋于无穷大,并遵循泊松分布。提供数值结果以突出具有几个层对一些感兴趣的度量的影响(包括在线的情况下节点所属的集群的预期大小)。该模型应用于具有多信道无线电的无线通信网络、具有重叠成员资格的多个社交网络、运输网络,并且更一般地,应用于公共节点集合可以经由共存的连接手段链接的任何场景。
2018-07-10 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
Community Detection Using Multilayer Edge Mixture Model
大量的复杂系统可以被建模为网络,网络的边和节点都有相应的约束,这一点近年来得到了广泛的研究。如今,随着信息技术的进步,已经产生了包含从多个角度收集的信息的系统。传统的单视角网络模型无法描述系统的拓扑特性,因此出现了旨在描述此类网络结构的多层网络模型。作为网络科学的一个主要关注点,将网络分解为社区,通常指紧密互连的节点组,提取有关网络结构和交互的有价值的信息。与传统的单层网络中的几十种模型和方法的竞争不同,针对多层网络中社区发现的方法仍然有限。为了更好地研究多层网络中的社团结构,提出了多层边混合模型,从边组合的角度研究了社团结构评估器的一般形式.作为一个例子,我们证明了多层模块化和随机块模型可以从所提出的模型。我们还探讨了具有特定形式的社区结构评价子对多层边混合模型表示的分解,揭示了对评价子的一些新的解释。通过在一系列基准网络上的应用,说明了该模型在不同网络上的灵活性和性能。
2016-05-20 cs.SI physics.soc-ph
A Local Perspective on Community Structure in Multilayer Networks
多层网络的分析是网络科学中最活跃的领域之一,现在有几种方法可以检测多层网络中节点的密集“社区”。定义社区的一种方法是将其定义为一组节点,这些节点在很长一段时间内捕获了类似扩散的动态过程(通常是随机游走)。在这种观点中,社区是一组节点,它们对网络上动态过程的传播产生瓶颈。我们分析了多重网络(这是多层网络,其中不同的层对应于不同类型的边缘)上不同的随机游走的局部行为,并表明它们具有非常不同的瓶颈,因此对应于相当不同的概念,这意味着一组节点是一个很好的社区。这对基于这些随机游走的社区检测方法的行为有直接的影响。
2016-05-22 cs.SI math.PR nlin.AO
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
Multilayer network decoding versatility and trust
近年来,多层网络越来越多地被认为是理解复杂现实世界系统中涌现物理现象的一个更现实的框架。我们在多层网络框架下分析了来自世界上最大的电影工业的大量时变社会数据。该框架使我们能够评估演员的多功能性,这原来是一个内在的属性的主要演员。二聚体的多功能性表明,使用不同类型的节点比使用类似的节点更有益。然而,三角形产生不同类型的合作者和成功的领导节点之间的关系,表明高阶图案在理解底层系统的属性的重要性。此外,尽管整个网络的度-度相关性是中性的,但近年来,多层网络获得了不同的相关值,表明了信任等积极内涵。对产业弱联系的分析揭示了连接宝莱坞集群的重要节点。本文使用的框架和工具可以用于解开其他现实世界系统的复杂性。
2016-02-24 cond-mat.dis-nn cs.SI physics.soc-ph
MultiNet: A Scalable Multilayer Network Embedding Framework
近年来,网络的表示学习取得了重大进展。这种表示已被有效地用于经典的基于网络的机器学习任务,如节点分类,链接预测和网络对齐。然而,很少有方法专注于捕获多路复用或多层网络的表示,这是复杂网络的更准确和详细的表示。在这项工作中,我们提出了多重网络的快速和可扩展的嵌入技术。Multi-Net有效地将节点映射到低维空间,同时在所有层中保留其邻域属性。我们利用四个随机游走策略在我们的统一网络嵌入模型,从而使我们的方法比现有的国家的最先进的模型更强大。我们在来自不同领域的四个真实数据集上展示了Multi-Net的卓越性能。特别是,我们强调了多网络的独特性,利用它的复杂任务的网络重建。
2018-10-11 cs.SI physics.soc-ph
Link Prediction in Networks with Nodes Attributes by Similarity Propagation
链接预测的问题最近已经引起了社会学、人类学、信息科学和计算机科学等各个领域的相当大的关注。提出了一种基于随机游走传播的链接预测算法。在该算法中,网络中的每一条链路被分配一个传输概率,根据由链路连接的节点上的属性的相似性。节点之间的链路相似性分数然后根据它们的传输概率经由链路传播。实验结果表明,该算法在具有节点属性的网络上可以获得比其他算法更高质量的结果。
2015-02-15 cs.SI physics.soc-ph
A new network node similarity measure method and its applications
网络节点的相似性度量是统计物理领域的研究热点。在本文中,我们利用信息和信息损失的概念来衡量节点的相似性。整个模型基于两个节点相似度越高,则认为它们相同所造成的信息损失就越小的思想,算法复杂度低,在处理大规模真实网络时可以节省大量的时间和精力。我们说明了这种方法的可用性的基础上两个人工的例子和计算机生成的网络,通过比较其精度与其他选定的方法。上述测试表明,新的方法可以提供更合理的结果符合我们人类的共同判断。在这两个应用实例中,我们还将新的相似性度量方法应用于网络演化预测和未知节点属性预测。
2014-03-17 cs.SI physics.soc-ph
Multilayer Graph Contrastive Clustering Network
University of Electronic Science and Technology of China(电子科技大学)
多层图由于其在相互依赖系统建模中的高实用性,在许多领域获得了大量的研究关注。然而,旨在将图中的节点划分为类别或社区的多层图聚类仍处于起步阶段。现有的方法往往局限于利用多视图属性或多个网络,而忽略了更复杂和更丰富的网络框架。为此,我们提出了一个通用的和有效的自动编码器框架多层图聚类命名为多层图对比聚类网络(MGCCN)。MGCCN由三个模块组成:(1)注意力机制用于更好地捕捉节点和邻居之间的相关性,以获得更好的节点嵌入。(2)To为了更好地挖掘不同网络中的一致性信息,提出了一种对比融合策略。(3)MGCCN采用自监督组件,迭代地加强节点嵌入和聚类。对不同类型的真实世界图形数据的大量实验表明,我们提出的方法优于最先进的技术。
2021-12-28 cs.AI cs.CV cs.LG
Interconnecting bilayer networks
一个典型的复杂系统应该用一个超网络或网络的网络来描述,其中网络与其他一些网络耦合。作为在更系统的层次上理解复杂系统的第一步,科学家们研究了相互依赖的多层网络。在这封信中,我们介绍了一种新的相互依赖的多层网络,即,互连网络,对于互连网络,组件网络通过共享一些公共节点而彼此耦合。基于实证研究,我们揭示了此类互联网络的一个共同特征,即互联节点平均拓扑差异较小的网络倾向于共享更多的节点。一个非常简单的节点共享机制,提出了分析解释所观察到的互联网络的功能。
2011-01-02 cs.SI physics.soc-ph
Low-rank Similarity Measure for Role Model Extraction
计算有意义的节点簇对于分析大型网络至关重要。在本文中,我们提出了一个成对的节点相似性度量,允许提取的角色,即一组节点在网络中共享相似的流模式。我们提出了一个低秩迭代方案来近似非常大的网络的相似性度量。最后,我们证明了我们的低秩相似性分数成功地提取了随机图中的不同角色,其性能与成对相似性度量相似。
2014-07-24 cs.SI physics.soc-ph
Evolution of Credit Risk Using a Personalized Pagerank Algorithm for Multilayer Networks
The University of Western Ontario(西安大略大学);Reykjavik University(雷克雅未克大学)
在本文中,我们提出了一种新的算法来研究复杂的多层网络的信用风险的演变。类寻呼机算法允许跨单个网络传播影响变量,并且允许量化单个实体(节点)在给定它们与网络中的其他节点的连接的情况下所经受的风险。另一方面,多层网络是其中节点的子集可以与唯一的集合(层)相关联的网络,并且其中边缘连接网络内或网络间的元素。我们针对多层网络的个性化PageRank算法可以量化信用风险如何随时间演变并通过这些网络传播。通过在每一层中使用二分网络,我们可以量化各个组成部分的风险,而不仅仅是贷款。我们在农业贷款数据集中测试了我们的方法,我们的结果表明违约风险是一种具有挑战性的现象,它会随着时间的推移在网络中传播和演变。
2020-08-10 cs.LG cs.SI physics.soc-ph
Trade-Off Between Multiplicity and Specificity in the Inter-layer Connectivity of non-identical Multilayer Networks
Indian Institute of Science Education and Research, Tirupati(印度科学教育与研究学院提鲁帕蒂分校);San Diego State University(圣地亚哥州立大学)
研究探讨了多层网络中对称与非对称层间连接对同步和幅度死亡的影响,发现对称连接更利于同步,而非对称连接在低耦合时更有效。
2025-11-24 cs.SI physics.soc-ph
Centrality in Interconnected Multilayer Networks
现实世界的复杂系统表现出多层次的关系。在许多情况下,它们需要通过互连的多层网络来建模,同时在多个层面上表征相互作用。在许多领域,从经济学到生物学,从城市规划到社会科学,识别网络中影响最大(或影响较小)的节点至关重要。然而,在一个相互关联的结构中,确定行为体的中心地位并非易事。在本文中,我们利用张量的形式主义,最近提出的这种复杂的拓扑结构的特征和调查,显示几个中心的措施-众所周知的标准(“单路”)网络的情况下-可以自然地扩展到领域的互连复用。我们认为诊断广泛应用于不同领域,例如,计算机科学、生物学、通信和社会科学,仅举其中一些。我们表明,无论是理论上和数值上,使用加权单重聚合多层网络获得的结果,在一般情况下,相关的差异,在排名节点的重要性。
2013-11-12 cond-mat.dis-nn cs.SI physics.soc-ph
Explaining the emergence of complex networks through log-normal fitness in a Euclidean node similarity space
不同现象的网络-无论是全球生态,人类社会机构,人类大脑内,还是微观蛋白质相互作用-都表现出广泛一致的结构特征。为了解释这一点,我们提出了一个新的理论,其中链接概率建模的对数正态节点的健身(表面)因素和潜在的欧几里得空间嵌入节点的相似性(深度)因素。基于这一理论的建模在110个网络中的表现大大优于流行的幂律适应度和双曲几何解释。重要的是,该模型的度分布在小密度下类似于幂律分布,在大密度下类似于对数正态分布,为长期存在的关于无标度网络的性质和存在性的争论提供了一个和解的解决方案。验证这一理论,表面因子反演方法的经济世界城市网络和功能磁共振连接体的结果在几何上更对齐最近的邻居网络。这为理解、分析、解构和解释网络现象奠定了新的基础。
2020-10-06 cs.SI physics.soc-ph
Constrained information flows in temporal networks reveal intermittent communities
许多现实世界的网络代表动态系统,其交互随时间而变化,通常以不协调的方式和不规则的间隔进行。例如,大学生在间歇性的群体中联系,这些群体根据多种因素反复形成和解散,包括他们的讲座,兴趣和朋友。这样的动态系统可以表示为多层网络,其中每一层表示时间网络的快照。在这种表示中,层之间的链接准确地捕获这些层之间的真实依赖关系至关重要。然而,这些依赖性往往是未知的。因此,当前的方法基于不捕获节点级层依赖性的简单假设来连接层。例如,将每个节点连接到其他层中具有相同权重的节点本身可以消除间歇性组之间的依赖关系,从而难以甚至不可能识别它们。在本文中,我们提出了一个原则性的方法来估计节点级层依赖关系的基础上,在每一层的网络结构。我们实现了我们的节点级耦合方法在社区检测框架Infomap和证明其性能相比,目前的方法合成和真实的时间网络。我们表明,我们的方法更有效地约束多层社区内的信息,使Infomap可以更好地恢复种植群体在多层基准网络,代表多种模式与不同的群体,更好地识别间歇性社区在真实的时间接触网络。这些结果表明,节点级层耦合可以改善时序网络中信息传播的建模,更好地捕捉间歇性社区结构。
2018-06-24 cs.SI physics.soc-ph
Temporal Motif Participation Profiles for Analyzing Node Similarity in Temporal Networks
Case Western Reserve University(凯斯西储大学)
本文提出时间 motif 参与度谱(TMPPs)用于分析时间网络中节点相似性,通过模拟实验和案例研究展示其在揭示节点角色相似性方面的有效性。
2026-02-03 cs.SI physics.soc-ph
Multilayer Spectral Graph Clustering via Convex Layer Aggregation
University of Michigan(密歇根大学)
多层图通常用于表示实体之间的不同关系并处理异构数据处理任务。新的挑战出现在多层图聚类分配集群到一个共同的多层节点集,并结合来自每一层的信息。提出了一种基于凸层聚合的多层谱图聚类算法。根据一种新的多层信号加噪声模型,我们提供了一个相变分析,建立了一个临界值的存在,允许可靠的集群分离的噪声水平。该分析还指定临界值的分析上限和下限,其中当聚类具有相同的大小时,界限变得精确。在合成多层图上进行了数值实验,验证了相变分析,并研究了层权值和噪声水平对聚类可靠性的影响。
2016-09-23 cs.LG cs.SI stat.ML
Multilayer patent citation networks: A comprehensive analytical framework for studying explicit technological relationships
在创新研究领域,专利引文网络作为研究工具的使用正变得越来越普遍。然而,这些网络很少考虑这些引用产生的背景,并且通常仅限于一个司法管辖区。在这里,我们建议并探索使用一个多层网络框架,该框架可以自然地纳入引用元数据并跨越司法管辖区,从而可以通过专利数据全面了解全球技术格局。采用保守的方法,通过三元专利家族链接引用网络层,我们首先观察到这些层包含互补的,而不是冗余的,关于技术关系的信息。为了探索这种互补性的本质,我们从多层网络和类似的单层网络中提取网络社区,然后直接将它们的技术组成与已建立的技术相似性网络进行比较。我们发现,虽然在多层情况下,技术在社区之间更加分散,但提取的社区与已建立的网络更加紧密地匹配。我们的结论是,通过捕获引用上下文,专利引用网络的多层表示,在概念上和经验上,能够更好地捕捉到存在于现实技术关系中的显着细微差别相比,传统的,单层的方法。我们建议未来的研究途径,利用设计用于多层网络的新型计算工具。
2022-03-28 cs.SI physics.soc-ph
A Tensor-Based Framework for Studying Eigenvector Multicentrality in Multilayer Networks
中心性被广泛认为是洞察复杂网络结构和功能的最关键的措施之一。虽然已经为单层网络提出了各种中心性度量,但是用于研究多层网络中的中心性的一般框架(即,多中心)仍然缺乏。在这项研究中,一个基于张量的框架被引入到研究特征向量多中心性,这使得量化层间影响对多中心性的影响,提供了一个系统的方法来描述多中心性如何在不同的层之间传播。该框架可以利用有关层之间相互作用的先验知识,以更好地表征不同场景的多中心性。通过两个有趣的例子来说明如何通过选择合适的层间影响函数来模拟多层影响,并设计计算特征向量多中心性的算法。应用该框架对几个经验多层网络进行了分析,结果证实该框架可以有效地量化层间影响和节点的多中心性。
2019-02-07 cs.SI physics.soc-ph
Node Attribute Prediction on Multilayer Networks with Weighted and Directed Edges
针对多平台社交网络,本文提出MultiLayerLINK-NaiveBayes方法,通过整合边方向、权重与多层网络信息,显著提升了节点属性预测性能。
2023-05-17 cs.SI
Hyperbolic embedding of multilayer networks
Paris Brain Institute (ICM), CNRS UMR7225, Inserm U1127, Sorbonne University UM75, Inria-Paris. Pitié Salpêtrière University Hospital(巴黎脑研究所(ICM)、法国国家科学研究中心UMR7225、INSERM U1127、索邦大学UM75、Inria-巴黎、皮蒂埃萨尔佩特里耶大学医院);Department of Neurology, Strasbourg University Hospital(斯特拉斯堡大学医院神经科);CNRS, Pitié Salpêtrière University Hospital(法国国家科学研究中心、皮蒂埃萨尔佩特里耶大学医院)
本文提出一种双曲嵌入框架,用于多层网络分析,能够有效保持社区结构并实现层间比较,提升复杂系统分析的可解释性。
2025-10-02 cs.SI physics.data-an q-bio.NC
In-Network Neighborhood-Based Node Similarity Measure: A Unified Parametric Model
在许多应用中,我们需要根据节点的邻域特征来度量大型网络中节点之间的相似性。虽然基于邻近度的网络内节点相似性已经得到了很好的研究,但令人惊讶的是,基于邻域的网络内节点相似性测量在文献中仍然是一个很大程度上未触及的问题。一个巨大的挑战是,在不同的应用程序中,我们可能需要不同的测量,表现出不同的相似性的含义。在本文中,我们调查的问题,在一个原则和系统的方式。我们开发了一个统一的参数模型和一系列的四个实例措施。这些实例相似性度量不仅解决了相似性的各种含义的频谱,而且还提出了一系列的计算成本和被比较的节点的邻域之间的匹配的严格性之间的权衡。通过大量的实验和案例研究,我们证明了所提出的模型及其实例的有效性。
2015-10-17 cs.SI
Axiomatic Ranking of Network Role Similarity
社交网络和其他复杂网络分析中的一个关键任务是角色分析:根据节点与其他节点的交互方式对节点进行描述和分类。如果两个节点与等价的邻居集交互,则它们具有相同的角色。最基本的角色对等是自守对等。不幸的是,已知的图自同构的最快算法是非多项式的。此外,由于精确的等效性可能很少见,因此更有意义的任务是测量任何两个节点之间的角色相似性。这个任务与SimRank试图解决的结构或基于链接的相似性问题密切相关。然而,SimRank及其大多数分支并不足够,因为它们不能完全识别同构或结构等效的节点。在本文中,我们解决两个问题。首先,角色相似性度量或度量的必要属性是什么?其次,我们如何才能得到一个角色相似性度量满足这些属性?对于第一个问题,我们证明了几个公理性质所需的角色相似性度量或度量:范围,最大相似性,自守等价,传递相似性,和三角不等式。对于第二个问题,我们提出了RoleSim,一个新的相似性度量与一个简单的迭代计算方法。我们严格证明,RoleSim满足所有的公理性质。我们还介绍了一个冰山RoleSim算法,可以保证发现所有对RoleSim分数不低于用户定义的阈值$θ$,而不计算RoleSim的每一对。我们证明了RoleSim在合成和真实数据集上的卓越解释能力。
2011-06-10 cs.SI physics.soc-ph
A study on the performance of similarity indices and its relationship with link prediction: a two-state random network case
相似性指数度量复杂网络中节点对的拓扑接近程度。许多相似性指数已被定义和研究,但结构上的相似性指数的性能的依赖性还没有得到充分的研究。在这项研究中,我们研究了相似性指标的性能和网络的结构属性之间的关系,采用两个状态的随机网络。两状态网络中的节点具有初始给定的二进制类型,并且连接概率由节点对的状态确定。相似性指数的性能影响链接的数量和内部连接与内部连接的比例。相似性指数根据其类型具有不同的特征。局部指数在小规模网络中表现良好,并且不依赖于结构是内部主导还是内部主导。相比之下,全球指数在大规模网络中表现更好,而一些此类指数在互主导结构中表现不佳。我们还发现,在模型网络和经验网络中,链接预测性能和相似性性能都是相关的。这种关系意味着,当节点类型的元数据不可用时,链接预测性能可以用作相似性指数性能的近似值。这种关系可能有助于为给定的网络找到合适的索引。
2018-09-05 cs.SI physics.soc-ph
Rock-Paper-Scissors Random Walks on Temporal Multilayer Networks
我们研究扩散的多层网络中的节点之间的接触动力学是由一个随机过程和等待时间分布不同的边缘从不同的层。我们研究了不同层的边缘之间自然出现的竞争对随机游走的影响。与先前的研究相反,这些研究已经施加了先验的层间竞争,竞争在这里是由不同层上的活动的异质性引起的。我们首先研究不同的边缘之间的优先关系,并通过不同的层之间的扩展,并表明它确定有偏见的路径的步行者。我们还讨论了出现循环,石头剪刀布随机游动时,层之间的优先级是非传递的。最后,我们用数值方法显示了由于异质多层上的竞争而导致的减速效应,因为步行者可能被困在单层上或定向循环上更长的时间。关键词:随机游动;多层网络;网络动力系统;网络模型;网络模拟;层间竞争。
2018-12-14 cs.SI physics.soc-ph
The Effects of Diffusion of Information on Epidemic Spread -- A Multilayer Approach
在这项工作中,目的是研究传染病的传播和多层次社会系统的信息。其主要思想是找到一个标准,根据该标准,采用传播信息阻止或抑制流行病的传播。两层网络是模型的基础。第一层描述了直接接触的互动,而第二层是信息传播层。这两个层由相同的节点组成。这个社会由五种不同类别的人组成:易感者、感染者、康复者、接种疫苗者和感染者。最初,只有一个受感染的个体开始传播感染。直接接触相互作用将感染传播给易感者。信息通过第二层传播。SIR模型用于描述感染传播,而Bass方程用于描述信息的采纳。信息传播与疾病传播竞争的控制参数是网络的拓扑结构和连通性密度。信息层的拓扑结构是一个无标度网络,其边缘密度不断增加。在接触层中,每个节点具有相同平均度的规则和无标度网络可以互换使用。观察结果是,接触网络的日益复杂性降低了个体意识的作用。如果接触层由具有有限范围连接的网络组成,或者边缘比信息网络稀疏,则信息的传播在控制流行病方面起着重要作用。
2021-03-13 cs.SI physics.soc-ph
Mapping higher-order network flows in memory and multilayer networks with Infomap
通过简化和突出重要的动态模式来理解复杂系统,需要对高阶网络流进行建模和映射。然而,复杂的系统有多种形式,需要一系列的表示,包括内存和多层网络,这反过来又要求通用的社区检测算法,以揭示重要的模块化流程。在这里,我们表明,各种形式的高阶网络流可以表示在一个统一的方式与网络,区分物理节点表示一个~复杂的系统的对象从状态节点描述对象之间的流。此外,这些所谓的稀疏记忆网络允许被称为映射方程的信息理论社区发现方法从一系列不同的高阶交互(例如多步骤、多源和时间数据)中识别数据中的重叠和嵌套的流模块。本文推导了稀疏存储网络的映射方程,并描述了它的搜索算法Infomap,它可以充分利用稀疏存储网络的灵活性。它们一起提供了一个通用的解决方案,以揭示通过复杂系统的高阶流中的重叠模块模式。
2017-10-16 cs.SI physics.soc-ph stat.ML
Revisiting Resolution and Inter-Layer Coupling Factors in Modularity for Multilayer Networks
多层网络的模块性,也称为多层模块性,是分辨率因子和层间耦合因子的参数。前者是有用的表达层特定的相关性和后者量化的强度节点连接跨网络的层。然而,这些参数可以任意设置,从而丢弃图或社区级别的任何结构信息。其他问题与无法正确建模动态网络所需的层上的顺序关系有关。在本文中,我们提出了一个新的多层网络的模块化定义,旨在克服现有的多层模块化的主要问题。我们修改的作用和语义的层特定的分辨率和层间耦合条款,并定义无参数无监督的方法,他们的计算,通过使用信息的层内和层间结构的社区。此外,我们制定的多层模块化是一般足以说明一个可用的层的顺序和层耦合的相关约束。使用三种最先进的多层社区发现方法和九个真实世界的多层网络进行实验评估。结果表明,我们的模块化的意义,揭示了分辨率和层间耦合功能的不同组合的影响。这项工作可以铺平道路的发展新的优化方法发现社区结构的多层网络。
2017-09-21 cs.SI physics.soc-ph
Community detection in temporal multilayer networks, with an application to correlation networks
网络是表示交互实体的复杂系统的方便方式。许多网络包含节点的“社区”,这些节点彼此之间的连接比网络中其他节点的连接更密集。在本文中,我们研究了在时间网络表示为多层网络的社区检测。作为一个焦点的例子,我们研究时间依赖的金融资产相关网络。我们首先认为,使用“模块化”质量函数-这是通过比较观察到的网络中的边缘权重和“空网络”中的预期边缘权重来定义的-是依赖于应用的。在模块化最大化的讨论中,我们区分了“空网络”和“空模型”,并强调了同一个空网络可以对应不同的空模型。然后,我们研究了一个多层模块化最大化问题,以确定社区的时间网络。我们的多层分析只依赖于最大化问题的形式,而不依赖于所选择的特定质量函数。我们引入了一个诊断来衡量社区结构的\emph{persistence}的多层网络分区。我们证明了几个结果,描述了多层最大化问题的措施之间的权衡静态社区结构层和更大的值跨层的持久性。我们还讨论了一些计算问题,流行的“鲁汶”启发式面临的时间多层网络,并建议如何减轻他们。
2017-12-24 cs.SI nlin.AO physics.soc-ph
Degree-Corrected Joint Matrix Factorization for Multilayer Community Detection
University of Mons(蒙斯大学)
针对多层网络社区检测,提出联合非负对称矩阵三分解方法,通过共享社区约束并允许层间差异,结合MDCBM评估,实验验证其优于现有方法。
2026-10-02 cs.LG cs.SI
Node similarity as a basic principle behind connectivity in complex networks
本研究通过Flickr网络数据发现,节点相似性是驱动社交网络通信的关键因素,并可作为网络形成模型解释从稀疏到密集连接社会的拓扑转变。
2015-01-07 cond-mat.stat-mech cs.SI physics.soc-ph
Relating modularity maximization and stochastic block models in multilayer networks
描述网络中的大规模组织,包括多层网络,是网络科学中最突出的主题之一,对许多应用都很重要。一种类型的中尺度特征是群落结构,其中节点集内部密集连接,但与其他密集节点集稀疏连接。社区发现的两种最流行的方法是最大化被称为“模块化”的目标函数和使用随机块模型执行统计推断。推广工作纽曼单层网络(物理评论E 94,052315),我们表明,在多层网络中,最大化模块化是等价的,在一定条件下,最大化后验概率的社区分配下,适当选择的随机块模型。我们推导出各种类型的多层结构,包括时间,多路复用和多级网络的这种等价的版本。我们考虑的情况下,其中的关键参数是恒定的,以及它们在不同的层;在后一种情况下,这产生了一个新的,层加权版本的模块化函数。我们的研究结果还有助于解决一个长期存在的困难,多层模块化最大化算法,这需要规范的两套调谐参数,在实践中很难选择。我们展示了如何以一种基于经验的方式进行参数选择,并证明了我们的方法在合成网络和经验网络上的有效性。
2018-12-06 cs.SI math.PR physics.data-an
Co-Contagion Diffusion on Multilayer Networks
本研究探讨在共同传染扩散的三个要素的接口:传染之间的\textbf{synergy},\textbf{dormancy}率的每一个单独的传染,和\textbf{multiplex network topology}。休眠被定义为一种较弱的“免疫”形式,休眠的节点不再积极参与扩散,但仍然容易受到感染。该模型扩展了阈值模型的文献,并展示了不同的图结构之间错综复杂的相互依赖关系。我们的模拟表明,第一,更快的传染诱导分支上的较慢的传染;第二,较短的特征路径长度减少休眠在降低扩散的影响。第三,当两个长程图配对时,较快的传染依赖于两个休眠率,而较慢的传染仅依赖于其自身;第四,协同传染对休眠不太敏感,并且具有更宽的扩散窗口。此外,当长距离和空间约束图配对时,环接种发生在空间图上,并产生部分扩散,由于休眠,周围的节点。空间传染依赖于两个休眠率,而长距离传染只依赖于它自己。
2019-07-17 cs.SI nlin.AO physics.soc-ph
Manipulating Node Similarity Measures in Networks
节点相似性度量量化了网络中一对节点的相似程度。这些相似性度量结果是一个重要的基本工具,为许多现实世界的应用,如链接预测在网络中,推荐系统等。一类重要的相似性度量是局部相似性度量。如果两个节点在它们的相邻节点集之间有很大的重叠,则在局部相似性度量下它们被认为是相似的。通过去除边缘来操纵节点相似性度量是一个重要的问题。例如,这种类型的操纵阻碍了恐怖分子网络中链接预测的有效性。幸运的是,所有围绕操纵相似性度量制定的流行计算问题都是NP难的。在本文中,我们通过参数化复杂性的视角提供了这些问题的细粒度复杂性结果。特别地,我们证明了其中一些问题对于各种自然参数是固定参数可处理的(FPT),而其他问题仍然是棘手的W[1]-hard和W[2]-hard。最后,我们展示了我们提出的FPT算法在真实世界数据集以及使用Barabasi-Albert和Erdos-Renyi模型生成的合成网络上的有效性。
2020-02-25 cs.DS cs.SI
Role-similarity based comparison of directed networks
复杂网络的广泛相关性是分析广泛系统的宝贵工具。需要能够提取有意义的信息并能够在不同系统之间进行比较的工具。我们提出了一种新的措施,在不同的网络节点之间的相似性作为自相似性的概念的推广。相似性矩阵被组装为包含每个节点的所有长度的进出路径的特征向量之间的距离。因此,在相似流环境中操作的节点被认为是相似的,而不管网络成员。我们证明,这种方法有可能是有影响力的任务,如分配身份或功能的未表征的节点。此外,对原始结果进行图分区的创新应用将这一概念扩展到了网络底层角色结构的比较。
2011-03-29 cs.SI physics.soc-ph q-bio.MN
Layered Division and Global Allocation for Community Detection in Multilayer Network
本文提出LDGA方法,通过分层划分与全局分配提升多层网络社区检测的准确性。
2026-01-11 cs.SI
BCIM: Budget and capacity constrained influence maximization in multilayer networks
针对现有带预算影响最大化问题仅考虑预算约束、适配性不足的问题,提出多层网络下的BCIM问题及MMGA算法,满足双约束且效率更高,传播性能较基线提升至少10%,开辟了影响最大化研究新方向。
2024-10-07 cs.SI
Finding role communities in directed networks using Role-Based Similarity, Markov Stability and the Relaxed Minimum Spanning Tree
我们提出了一个框架,集群节点在有向网络中根据他们的角色,结合基于角色的相似性(RBS)和马尔可夫稳定性,两种技术的基础上流。首先,我们计算RBS矩阵,其中包含节点之间的成对相似性,根据不同长度的入向和出向路径的缩放数量。然后使用松弛最小生成树(RMST)算法将加权RBS相似性矩阵变换为无向相似性网络,该算法使用RBS矩阵的几何结构来使网络不模糊,使得具有高直接RBS的节点之间的边缘被保留。最后,我们使用马尔可夫稳定性将RMST相似性网络划分为所有尺度的节点角色社区,以找到网络中的一组强大的角色。我们通过生物和人造网络展示我们的框架。
2013-09-06 cs.SI physics.soc-ph q-bio.NC
A principled approach for weighted multilayer network aggregation
多层网络描述了同一组节点之间的不同类型的交互。例如,蛋白酶网络由五到七层组成,其中不同的层代表不同类型的实验证实的蛋白质之间的分子相互作用。在多层蛋白酶网络中,共表达层是通过对来自各种来源和平台的转录组数据进行荟萃分析获得的。虽然在一些研究中,共表达层反过来表示为多层网络,但一个基本问题是如何从相应的多层网络获得单层网络。这个过程称为多层网络聚合。在这项工作中,我们提出了一个最大后验估计为基础的多层网络聚合算法。该方法允许聚合加权多层网络,同时保存层的核心信息。我们通过一个未加权的友谊网络和一个多层基因共表达网络来评估该方法。我们将聚合基因共表达网络与从合并数据集获得的网络和从平均权重获得的网络进行比较。采用Von Neumann熵对三种网络的混合性进行了比较,并与其他网络测量结果一起表明了所提方法的有效性。
2021-03-09 cs.SI
Predicting missing links via significant paths
链接预测对于理解网络的内在演化机制具有重要作用。由于认为两个节点之间存在链接的可能性与它们的相似性密切相关,已经提出了许多基于节点属性和/或拓扑结构来计算节点相似性的方法。在考虑连接目标节点对的路径的各种方法中,大多数方法忽略了这些路径的异质性。我们的假设是,由小度节点组成的路径提供了两端之间相似性的强有力证据,因此,我们在这封信中提出了一个所谓的重要路径索引,以利用中间节点的度进行相似性计算。在12个不同的真实网络上的实验表明,该指标优于主流的链路预测基线。
2015-02-03 cs.SI physics.data-an physics.soc-ph
Link Prediction in Multiplex Networks based on Interlayer Similarity
一些网络系统可以更好地通过多层结构来建模,其中各个节点在多个层中发展关系。具有跨层的相似节点的多层网络也被称为复用网络。本文提出了一个新的框架,预测即将到来的或丢失的多路复用网络中的链接。多路复用网络中的链接预测问题是如何在考虑其他层的结构信息的情况下预测其中一层中的链路。所提出的链接预测框架是基于从考虑链接预测的层中提取的层间相似性和基于邻近度的特征。为此,常用的基于邻近度的功能,如Adamic-Adar和Jaccard系数。这些特征最初被提出来预测单层网络中的缺失链接,不需要学习,因此计算简单。所提出的方法引入了一个系统的方法来考虑层间相似性的链接预测的目的。仿真和实际复用网络上的实验结果表明了该方法的有效性,并显示其优越的性能比国家的最先进的算法提出的复用网络中的链接预测问题。
2019-04-24 cs.IR cs.SI
Similarity network aggregation for the analysis of glacier ecosystems
本研究探讨相似网络融合与相似矩阵平均两种多层网络聚合方法,通过9座冰川微生物丰度数据集验证,发现冰尘洞典型物种种群及不同规模冰川的结构差异,证明整合方法对生态网络结构挖掘的价值。
2023-11-03 cs.SI stat.AP stat.ME
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的,社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系,因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而,在多层设置的模块化功能取决于层间耦合参数,$ω$,以及如何影响社区检测这个参数还没有很好地理解。在这里,我们公开了$ω$的上限,超过该上限,就无法检测到跨层的社区更改。这个上限具有非平凡的,纯粹的多层效应,并作为检测不断发展的社区的分辨率限制。此外,我们建立了一个明确的和以前未发现的单层分辨率参数,$γ$,和层间耦合参数,$ω,$,提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑,但也有重要的实际意义,选择层间耦合值时,使用多层网络来模拟真实世界的系统,其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an physics.soc-ph
SimCalib: Graph Neural Network Calibration based on Similarity between Nodes
Tsinghua University(清华大学);The Chinese University of Hong Kong(香港中文大学)
本研究揭示GNN校准与节点相似性的理论关联,提出兼顾全局与局部节点相似性的SimCalib校准框架,在16个基准中的14个上实现SOTA性能,还探讨了过平滑与校准的潜在关系。
2023-12-19 cs.LG cs.SI
Threadle: A Memory-Efficient Network Storage and Query Engine for Large, Multilayer, and Mixed-mode Networks
Linköping University(林雪平大学)
Threadle是一种内存高效的网络存储和查询引擎,通过伪投影方法处理大规模多层混合模式网络,实现高达2000:1的压缩比。
2026-02-24 cs.MS cs.NI cs.SI
Dimensionality reduction and spectral properties of multilayer networks
网络表示法对于描述各种各样的复杂系统的结构很有用。尽管大多数对现实世界网络的研究都假设节点只通过一种类型的边连接,但大多数自然和工程系统都包括多个子系统和连接层。这种新的模式已经吸引了大量的关注和一个基本的挑战是表征多层网络的结构和动态。解决这个问题的一种方法是研究这种网络的频谱特性。在这里,我们适用于框架的图形concentients,这自然发生在这种情况下,和相关的特征值交织的结果,无向多层网络的邻接矩阵和拉普拉斯矩阵。具体来说,我们描述了多层网络的特征值谱和它们的两个最自然的替代品,网络的层和聚合网络之间的关系,并显示与两个简化的表示工作的动力学影响。因此,我们的工作,特别是有助于研究的动力学过程,其关键属性是由底层网络的光谱特性。
2014-05-30 cs.SI math.CO physics.soc-ph
Analysis of the Neighborhood Pattern Similarity Measure for the Role Extraction Problem
在本文中,我们分析了一种间接的方法,称为邻域模式相似性的方法,来解决所谓的角色提取问题的大规模图。该方法是基于一个节点相似性矩阵的初步建设,允许在第二阶段分组在一起,与适当的聚类技术,被分配到具有相同的作用的节点。分析建立在理想图的概念上,其中具有相同角色的所有节点在结构上也是等效的。
2020-09-25 cs.SI
Love tHy Neighbour: Remeasuring Local Structural Node Similarity in Hypergraph-Derived Networks
Indian Institute of Science(印度科学院)
网络中的节点相似性问题已经激发了大量的节点对之间的此类度量,这些度量利用了底层的图结构。然而,高阶关系不能被单纯的图所丢失,因此,使用其扩展,即超图。在这样的设置中测量节点对之间的接近度需要修改相似性的拓扑度量,以免超图结构仍然未被充分利用。在这项工作中,我们提出了大量的超图为导向的节点对之间的相似性分数,从而提供了新的解决方案的链接预测问题。作为我们命题的一部分,我们提供了理论公式,以扩展基于图拓扑的分数超图。我们比较我们的分数与基于图的分数(超图到图的扩展)从国家的最先进的。使用现有的基于图的和建议的基于超图的相似性分数的组合作为分类器的功能预测链接比单独使用前者好得多。几个真实世界的数据集上的实验和定量以及定性分析相同的表现出的优越性,建议的相似性分数比现有的。
2021-10-30 cs.LG cs.SI