Feedback arcs and node hierarchy in directed networks
有向网络,如基因调控网络和神经网络,通过弧(有向链接)连接。有向网络中的节点通常被大量的有向环强烈地缠绕,这导致网络中复杂的信息处理动力学,并且使得推断信息流的内在方向具有高度挑战性。本文基于最小反馈原理,研究了有向网络的节点层次结构,区分了前馈弧和反馈弧。通过置信度传播和模拟退火方法,构造了使从低层节点到高层节点的反馈弧数最少的近似最优节点层次解.对于现实世界的网络,我们量化的反馈稀缺的程度相比,方向随机网络的合奏,并确定最重要的反馈弧。我们的方法也是有用的可视化有向网络。
2016-12-16 cond-mat.dis-nn cs.SI physics.soc-ph
Digraphwave: Scalable Extraction of Structural Node Embeddings via Diffusion on Directed Graphs
KTH Royal Institute of Technology(瑞典皇家理工学院);SEB Group(SEB集团)
结构节点嵌入,即捕获图中每个节点的局部连通性信息的向量,在数据采掘和机器学习中有许多应用,例如,网络对齐和节点分类、聚类和异常检测。对于有向图的分析,例如,在事务图、通信网络和社交网络中,捕获结构节点嵌入中的方向信息的能力是非常期望的,嵌入提取方法的可扩展性也是如此。然而,大多数现有的方法仅针对无向图设计。因此,我们提出了一个可扩展的算法,用于提取有向图上的结构节点嵌入。的Digraphwave嵌入由压缩的扩散模式签名,这是两次增强,以增加其辨别能力。通过证明扩散初始化节点局部附近所含热量的下限,建立了理论上合理的扩散时间尺度值,并且只剩下两个易于解释的超参数:嵌入维数和邻域分辨率指定符。在我们的实验中,两个嵌入增强,命名为转置和聚合,显示出导致分类自守身份的宏F1得分显着增加,其中Digraphwave优于所有其他结构嵌入基线。此外,Digraphwave在真实图数据集上的性能优于或匹配所有基线的性能,在网络对齐任务中显示出特别大的性能增益,同时还可扩展到具有数百万个节点和边的图形,运行速度比以前的基于扩散模式的方法快30倍,并且内存消耗很小。
2022-07-20 cs.LG cs.SI
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
Critical Nodes In Directed Networks
在考虑信息流动和贸易时,关键节点或“中间人”在社会和经济网络中都占有重要地位。本文将关键节点的概念推广到有向网络。我们识别强有力的中间商和弱有力的中间商。节点稳定性被引入作为网络竞争的一种形式;建立了无竞争的中介和中间人之间的二元性。对中间商的代理权进行了形式化的表达,并构造了一个从网络邻接矩阵中度量各节点代理权的通用算法。经纪人权力措施的增强进行了讨论,封装相关的中心性措施。我们使用这些概念来识别和测量两个经验的社会经济网络,文艺复兴时期的佛罗伦萨和Krackhardt的建议网络的精英婚姻网络的中间人。
2014-02-01 cs.SI physics.soc-ph
A Simple and Scalable Graph Neural Network for Large Directed Graphs
Megagon Labs(Megagon实验室);Osaka University(大阪大学)
本文针对大型有向图节点分类,系统基准测试节点表示与边方向感知组合,并提出融合全部组合的简单可扩展 GNN 方法 A2DUG,准确率最高提升 11.29。
2023-12-06 cs.LG cs.SI
Collaborative Bi-Aggregation for Directed Graph Embedding
有向图是节点间非对称关系的模型,有向图嵌入的研究对下游的图分析和推理具有重要意义。分别学习源节点和目标节点的嵌入以保持边缘不对称性已成为主流方法,但也对稀疏图中普遍存在的低甚至零输入/输出度节点的学习表示提出了挑战。本文通过引入基于空间的图卷积,提出了一种协同双向聚合有向图嵌入方法(COBA)。首先,通过聚合源邻居和目标邻居的对应节点来学习中心节点的源嵌入和目标嵌入;其次,通过聚合方向相反的邻居的对应节点来增强零入/出度中心节点的源/目标嵌入(即目标/源邻居);最后,将同一节点的源嵌入和目标嵌入相关联以实现协作聚合。在真实数据集上的大量实验表明,COBA在多个任务上的性能全面优于最先进的方法,同时验证了所提出的聚合策略的有效性。
2022-11-04 cs.SI
SDGNN: Learning Node Representation for Signed Directed Networks
CAS Key Laboratory of Network Data Science and Technology, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所网络数据科学与技术重点实验室);University of Chinese Academy of Sciences(中国科学院大学)
网络嵌入旨在将网络中的节点映射为低维向量表示。图神经网络(GNN)已经受到广泛关注,并在学习节点表示方面具有最先进的性能。然而,大多数GNN只在无符号网络中工作,其中只存在正链接。将这些模型转化为符号有向网络并不容易,因为符号有向网络在现实世界中被广泛观察,但研究较少。在本文中,我们首先回顾了两个基本的社会学理论(即,地位理论和平衡理论),并在真实世界的数据集上进行实证研究,以分析有符号有向网络中的社会机制。在社会学相关理论的指导下,提出了一种新的符号有向图神经网络模型SDGNN,用于学习符号有向网络的节点嵌入。该模型同时重建链接标志,链接方向,并签署有向三角形。我们验证了我们的模型的有效性五个现实世界的数据集,这是常用的基准签署网络嵌入。实验表明,该模型优于现有的模型,包括基于特征的方法,网络嵌入方法,和几个GNN方法。
2023-03-16 cs.AI cs.SI
A Model of Consistent Node Types in Signed Directed Social Networks
签名定向社交网络越来越普遍,其中用户之间的关系可以是积极的(表示信任等关系)或消极的(表示不信任等关系)。因此,积极和消极的关系之间的相互作用,在这样的网络已成为一个重要的研究课题。最近的研究集中在边缘符号推理的结构平衡理论或社会地位理论。然而,这两种理论都不能很好地解释当由该边连接的两个节点不共享共同邻居时观察到的边符号(例如,共同的朋友)。在本文中,我们开发了一种新的方法来处理这种情况,通过应用一个新的模型的节点类型。首先,我们分析了一个完全观察到的有向网络中的局部节点结构,推断出底层节点类型。两个节点之间的边的符号必须与它们的类型一致;这很好地解释了边的符号,即使没有共同的邻居。此外,我们表明,我们的方法可以扩展到包括定向三合会,当它们存在时,就像在基于结构平衡或社会地位理论的模型。我们基于部分观察到的Wikipedia、Slashdot和Epperly网络,在实证研究中计算贝叶斯节点类型,其中最大的网络(Epperly)有119 K个节点和841 K条边。我们的方法产生更好的性能比国家的最先进的方法,这三个签署有向网络。
2014-08-28 cs.SI physics.soc-ph stat.AP
Overlapping and nonoverlapping models
China University of Mining and Technology(中国矿业大学)
考虑具有$K_{r}$行社区和$K_{c}$列社区的有向网络。以前的工作发现,建模有向网络中的所有节点有重叠的属性需要$K_{r}=K_{c}$的可识别性。本文提出了一个重叠和非重叠模型来研究行节点具有重叠性而列节点不具有重叠性的有向网络。当$K_{r}\leq K_{c}$ .同时,我们提供了一个可识别的模型,作为扩展的ONM模型的节点度的变化有向网络。设计了两种谱估计算法来拟合模型,理论上保证了估计的一致性。一个小规模的数值研究被用来说明算法。
2021-11-02 cs.LG 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
Discovering overlapping communities in multi-layer directed networks
本文提出多层混合成员随机共块模型及谱方法,用于检测多层有向网络中的非对称重叠社区,理论证明并实验验证了其一致性及提高稀疏性、节点数或层数可提升检测精度。
2025-02-27 cs.SI stat.ME
Characterizing Directed and Undirected Networks via Multidimensional Walks with Jumps
通过边和节点采样来估计社交网络中节点特征(标签)的分布,例如连接数或用户的公民身份,是复杂网络研究的重要组成部分。由于其低成本,采样通过随机游走(RW)已被提出作为一个有吸引力的解决方案,这项任务。大多数RW方法假设网络是无向的,或者步行者可以遍历边而不管它们的方向。一些RW方法已经被设计用于有向网络,其中进入节点的边不能直接观察到。在这项工作中,我们提出了定向无偏前沿采样(DUFS),一种基于大量协调步行者的采样方法,每个步行者从随机均匀选择的节点开始。它适用于具有不可见输入边的有向网络,因为它实时构建与步行者轨迹一致的无向图,并且由于使用随机跳跃可以防止步行者被困住。DUFS推广了以前的RW方法,适用于无向网络和有向网络,无论在边缘的可见性。我们还提出了一个改进的节点标签分布的估计,结合信息从最初的步行者的位置与随后的RW观察。我们评估DUFS,比较它与其他RW方法,研究其参数对估计精度的影响,并为选择它们提供实用的指导方针。在估计出度分布时,DUFS对分布头部的估计明显优于其他方法,同时匹配或超过尾部的估计精度。最后,我们证明了DUFS在估计前10%最大度节点的节点标签分布时优于均匀节点采样,即使均匀采样节点的成本与RW步骤相同。
2018-07-13 cs.SI physics.soc-ph
Non-Universality in Semi-Directed Barabasi-Albert Networks
在通常的巴拉巴西-阿尔伯特型无标度网络中,一个新加入的节点从已经存在的网络节点中随机选择m个邻居,与这些节点之前拥有的链接数量成比例。然后,具有k个链路的节点的数量N(k)均衰减为1/k^gamma,其中gamma=3是通用的,即与m无关。现在我们在网络的构造中使用有限的方向性,因此,随着m的增加,指数gamma从3减小到2。
2012-05-01 cs.SI physics.comp-ph physics.soc-ph
Opinion formation driven by PageRank node influence on directed networks
我们研究了两个国家的意见形成模型驱动的PageRank节点的影响,并报告了一个广泛的数值研究如何PageRank影响集体意见的形成在大规模的经验有向网络。在我们的模型中,一个节点的意见可以更新的总和,其邻居节点的意见加权的节点影响力的邻居节点在每一步。我们考虑PageRank概率和它的次线性功率作为节点影响力的措施,并调查在各种条件下的意见的演变。首先,我们观察到所有的网络在一定的松弛时间后达到稳定状态的意见。这个时间尺度随着网络中节点影响的异质性而减小。其次,我们发现我们的模型在稳态下表现出共识和非共识行为,这取决于网络的类型:Web图,物理学文章的引用网络和LiveJournal社交网络表现出非共识行为,而维基百科文章网络表现出共识行为。第三,我们发现,一个更异质的影响力分布导致一个更统一的意见状态的情况下,Web图,维基百科和Livejournal。然而,在引文网络中观察到相反的行为。最后,我们确定,少数有影响力的节点可以施加自己的意见,在所有考虑的网络中的其他节点的显着部分。我们的研究表明,节点影响力的异质性对意见形成的影响可能是显着的,并建议进一步研究网络中节点影响力和集体意见之间的相互作用。
2015-06-06 cs.SI physics.soc-ph
Detecting Cohesive and 2-mode Communities in Directed and Undirected Networks
网络是表示对象之间关系信息的通用语言。对网络进行建模、推理和总结的一种有效方法是发现具有共同连接模式的节点集。这样的集合通常被称为网络社区。网络社区发现的研究主要集中在无向网络中密集连接节点的社区识别。在本文中,我们开发了一种新的重叠社区发现的方法,可扩展到数以百万计的节点和边缘的网络,并沿两个维度推进研究:社区的连接结构,并使用边缘定向社区发现。首先,我们扩展了传统的网络社区的定义,通过观察节点可以以两种不同的方式紧密相连:在有凝聚力的社区中,节点相互链接,而在2模式社区中,节点以二分的方式链接,其中链接在两个分区之间占主导地位,而不是在它们内部。我们的方法成功地检测2模式以及凝聚力的社区,也可能重叠或分层嵌套。第二,虽然大多数现有的社区发现方法对待有向边缘,好像他们是无向的,我们的方法占边缘方向,并能够识别新的和有意义的社区结构,在有向和无向网络,使用数据从社会,生物和生态领域。
2014-01-29 cs.SI physics.soc-ph
Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification
Beijing Institute of Technology(北京理工大学)
针对现有图神经网络受同质性假设限制、忽略有向边导致性能受限的问题,提出AMUD方法自适应建模有向图,搭配ADPA新型有向图学习范式,在16个基准数据集上性能较基线提升3.96。
2024-03-11 cs.AI cs.LG cs.SI
Two-way Node Popularity Model for Directed and Bipartite Networks
针对有向与二部网络社区检测未考虑节点流行度的问题,提出TNPM概率框架、DOM拟合方法与TSDC大规模算法,兼具精度与效率,可应用于真实网络分析。
2024-12-11 cs.SI math.ST stat.CO
SVD Incidence Centrality: A Unified Spectral Framework for Node and Edge Analysis in Directed Networks and Hypergraphs
Instituto Curvelo(Curvelo研究所);Federal University of Espirito Santo(埃斯皮里托桑托联邦大学)
SVD Incidence Centrality 提出了一种基于 incidence 矩阵奇异值分解的统一谱框架,用于有向网络和超图中节点和边的中心性分析,解决了传统方法在方向信息保留和稀疏性问题上的不足。
2026-02-17 cs.SI physics.soc-ph
Analytical results for the in-degree and out-degree distributions of directed random networks that grow by node duplication
我们提出了精确的结果的度分布在一个有向网络模型,增长的节点重复(ND)。这些模型在研究基因调控网络和科学引文网络的结构和增长动力学方面是有用的。从初始种子网络开始,在每个时间步长处,选择随机节点(母节点)进行复制。它的子节点被添加到网络中,并以概率p复制母节点的每个传出链路。此外,子节点形成到母节点本身的有向链路。我们得到了在时间t的入度分布$P_t(K_{in}=k)$和出度分布$P_t(K_{out}=k)$的分析结果。入度遵循移动幂律,因此网络是渐近无标度的。相反,出度分布是窄的,并且在稀疏网络极限中收敛到泊松分布,而在密集网络极限中收敛到高斯分布。这种宽的入度分布和窄的出度分布之间的区别在科学引文网络等经验网络中很常见。使用这个,我们计算平均度$\langle K_{in}\rangle_t=\langle K_{out}\rangle_t$,它收敛到$1/(1-p)$在大网络的限制,为整个范围的$0<p<1$。这与相应的无向网络相反,无向网络在$p=1/2$处表现出相变,使得对于$p>1/2$,平均度在大网络极限中发散。我们还提出了从一个随机节点的上游和下游节点的数量分布的分析结果。平均值$\langle N_{up}\rangle_t=\langle N_{down}\rangle_t$与网络规模成比例关系,这意味着只有一小部分节点对通过有向路径连接,不像无向ND情况,…
2019-08-16 cond-mat.dis-nn cond-mat.stat-mech 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
Middlemen and Contestation in Directed Networks
本文研究了有向网络中的关键节点或“中间人”。节点的可重构性被引入作为竞争性的网络拓扑概念,这意味着中介在网络中的流的代理中的作用可以由一组其他节点代替。我们建立了无争议的中间人和中间人的等价性。节点稳定性的概念产生了一种度量,它量化了网络中中间人的控制。我们提出了一个比较,这个中间商中心的措施与相关的,建立网络中心的措施。此外,我们提供的概念和措施表示的鲁棒性的中间人的链接或节点的数量,必须添加到网络或从网络中删除,以抵消中间人的权力。我们使用这些概念来识别和测量中间人的权力和鲁棒性在两个经验网络:Krackhartt的咨询网络的经理在一个中型企业和著名的佛罗伦萨婚姻网络作为代理的权力经纪人之间的房子文艺复兴时期的佛罗伦萨。
2016-12-28 cs.SI physics.soc-ph
Efficient estimation and inference for the signed $β$-model in directed signed networks
本文针对有向符号网络提出符号β模型,通过分解网络、嵌入节点潜在因子构建模型,开发单步估计算法解决非凹对数似然的参数估计问题,建立推断方法实现节点排序的不确定性量化及FDR控制,经实验验证了有限样本性能。
2023-10-06 cs.SI stat.ME
Effective Resistance Preserving Directed Graph Symmetrization
本文提出了一种新的有向图对称化方法,即构造一个具有等价两有效电阻的无向图作为给定的有向图。因此,一个图形度量,有效电阻的平方根,被保留在有向图和它的对称化版本之间。它示出,该度量的保存允许在有向图的上下文中的对称化图的代数和谱性质的解释,由于有效电阻和拉普拉斯谱之间的关系。另外,利用李雅普诺夫理论证明了有向图的Laplacian矩阵可以分解为投影矩阵、斜对称矩阵和对称化图的Laplacian矩阵的乘积。在有向图的谱图划分和Kron约简的背景下,讨论了有效电阻保持图对称化的应用。
2019-01-11 cs.DM cs.SI
A Fast Sampling Method of Exploring Graphlet Degrees of Large Directed and Undirected Graphs
探索小连通和诱导子图模式(CIS模式,或graphlets)最近引起了相当大的关注。尽管最近在计算实例的数量上做出了努力,但是特定的小图出现在大型图中(即,同构于小图的CIS的总数),很少关注表征节点的小图度,即,同构于包含节点的小图的CIS的数量,这是分析诸如社交和生物网络的复杂网络的重要度量。与全局图计数类似,由于问题的组合性质,计算大型图的节点图度是具有挑战性的。不幸的是,以前计算全局graphlet计数的方法不适合解决这个问题。本文提出了无向图和有向图节点度的抽样估计方法,并分析了估计的误差。据我们所知,我们是第一个研究这个问题,并给出一个快速可扩展的解决方案。我们在各种真实数据集上进行实验,证明我们的方法可以准确有效地估计具有数百万条边的图的节点graphlet度。
2016-04-29 cs.SI
Measuring Directed Triadic Closure with Closure Coefficients
最近研究无向图中三元闭包的工作已经引起了人们对关注楔形的“中心”节点(即,长度为2的路径)与侧重于“发起者”的措施,这一区别具有相当大的后果。与此同时,有向图中的现有度量都是以中心为中心的。在这项工作中,我们提出了一个家庭的八个有向封闭系数,测量的三元封闭的有向图的角度出发,关闭的节点的频率。这八个系数对应于不同的标记楔形,其中发起者和中心节点被标记,我们观察到这些系数在现实世界的网络中的显着经验变化,即使在诱导有向三角形同构的情况下。为了理解这一现象,我们检查我们的封闭系数的理论行为下的定向配置模型。我们的分析说明了封闭系数与网络的联合入度和出度分布的矩之间的潜在联系,为观察到的不对称性提供了解释。我们还使用我们的有向闭包系数作为预测在两个机器学习任务。我们在类平衡二进制预测中发现AUC得分高于0.92的可解释模型,大大优于使用传统中心度量的模型。
2020-02-07 cs.SI physics.soc-ph
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。
2011-08-18 cs.DL cs.SI physics.soc-ph
Identifying hubs in directed networks
本文提出基于最小描述长度原则的高效非参数方法,用于在有向网络(包括无权和加权网络)中分类识别枢纽节点,为网络枢纽提供了清晰且有原则的定义。
2024-03-22 cs.SI physics.soc-ph
Construction of Directed 2K Graphs
我们研究的问题,构建合成图,类似于现实世界中的有向图的度相关性。我们定义了有向2K构造(D2K)的问题,该问题以有向度序列(DDS)和联合度和属性矩阵(JDAM)作为输入,以便在有向图中捕获度相关性。我们提供了必要和充分的条件来决定目标D2K是否是可实现的,我们设计了一个有效的算法,创建与该目标D2K的实现。我们评估了我们的算法在创建针对现实世界的有向图(如Twitter)的合成图,我们表明,它带来了显着的好处相比,国家的最先进的方法。
2017-03-21 cs.DS cs.SI
Directed network comparison using motifs
本文提出一种基于模体的有向网络比较方法,通过节点模体分布向量和Jensen-Shannon散度捕捉局部、全局及高阶差异,并在真实网络实验中验证其优于现有基线且具有鲁棒性。
2024-01-12 cs.SI physics.soc-ph
Role-based similarity in directed networks
日益复杂的网络的广泛相关性需要方法来提取这些系统的有意义的粗粒度表示。对于无向图,标准社区检测方法使用主要基于连接密度的标准来提供这种表示。我们提出了一种方法分组节点在有向网络中的作用的基础上,在网络中的传入和传出的流的模式理解。角色分组是通过相似性矩阵的聚类来获得的,该相似性矩阵由包含每个节点的所有长度的进出路径的数量的特征向量之间的距离形成。因此,在类似的流环境中操作的节点被分组在一起,尽管它们本身可能不是密集连接的。我们的方法,其中包括一个比例因子,揭示了强大的分组的基础上日益全球化的结构,提供了一种替代标准,以揭示网络中的结构,其中有一个隐式的流量传输系统。我们说明了它的应用程序,从生态,世界贸易和细胞代谢的各种数据。
2010-12-13 cs.SI nlin.AO physics.soc-ph
Cycle Analysis of Directed Acyclic Graphs
在本文中,我们采用分解的一个有向网络作为一个无向图加上其相关的节点元数据,通过找到一个最小的无向图的循环基,并增加其组件的方向信息,以恢复在有向网络中发现的循环结构。我们发现,只有四类有向循环存在,它们可以完全区分的组织和数量的源-汇节点对和它们的反链结构。我们对有向无环图特别感兴趣,并介绍了一组使用有向无环图元数据信息来描述最小循环基的度量。特别是,我们用数值方法证明了传递约简稳定了我们引入的度量所测量的最小循环基的性质,同时保留了有向无环图的关键性质。这使得有向无环图和它们所代表的系统的度量一致。我们测量的四个模型的传递性减少有向无环图的最小循环基的特性,并表明,引入的度量是能够区分的模型,并敏感于其生成机制。
2021-08-05 cs.SI physics.app-ph
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
Directed Network Laplacians and Random Graph Models
我们考虑谱方法,发现隐藏的结构在有向网络。我们通过(a)最小化目标函数和(b)最大化随机图模型的可能性来建立和利用节点重排序之间的连接。我们专注于两个现有的光谱方法,建立和分析拉普拉斯风格的矩阵,通过最小化挫折和营养不一致。这些算法的目的是揭示定向周期和线性层次结构,分别。我们表明,重新排序节点使用这两种算法,或将它们映射到一个指定的格,与新的类有向随机图模型。使用这种随机图设置,我们能够在给定的网络上比较两种算法,并量化哪种结构更有可能存在。我们说明了合成和真实网络的方法,并讨论了实际的实施问题。
2021-10-11 cs.SI physics.soc-ph
Motif-driven Dense Subgraph Discovery in Directed and Labeled Networks
网络中的密集区域是有趣和不寻常信息的指示器。然而,大多数现有的方法只考虑简单的,无向的,未加权的网络。然而,现实世界中的复杂网络通常具有丰富的信息:边是不对称的,节点/边具有分类和数值属性。根据这些丰富的信息在这样的网络中寻找稠密子图是一个具有许多应用的重要问题。此外,大多数现有算法忽略了高阶关系(即,在节点之间。模体被证明是有帮助的密集子图发现,但它们在异构网络中的广泛频谱使得它具有挑战性,有效地利用它们。在这项工作中,我们提出了夸克分解框架来定位密集的子图,丰富的一个给定的模体。我们专注于网络的有向边缘和分类属性的节点/边缘。对于一个给定的主题,我们的框架建立子图,称为夸克,在不同的质量和层次关系。我们的框架是通用的,高效的,可扩展的。我们讨论了我们的框架的局限性和实际的实例,以及在有向网络中需要考虑的角色混淆问题。我们给出了一个广泛的评估我们的框架,有向,有符号的,和节点标记的网络。我们考虑各种图案和评估夸克分解使用几个现实世界的网络。结果表明,夸克分解的性能优于国家的最先进的技术。我们的框架也是实用的和可扩展的网络与高达101 M的边缘。
2021-03-04 cs.SI math.CO physics.soc-ph
Sampling-based Estimation of In-degree Distribution with Applications to Directed Complex Networks
本文的重点是从抽样网络节点或边估计有向网络的入度分布。一些抽样方案被认为是,包括随机抽样和不更换,和几种方法的基础上随机游动可能的跳跃。当对节点进行采样时,假设只有该节点的外边缘是可见的,也就是说,没有观察到该节点的入度。建议估计的入度分布是基于两种方法。反演方法利用原始和样本入度分布之间的关系,并且可以估计入度分布的大部分,但不能估计分布的尾部。入度分布的尾部通过渐近方法估计,该方法本身有两个版本:一个假设幂律尾部,另一个假设一般形式的尾部。这两种估计方法在合成网络和真实网络上进行了检验,具有良好的性能结果,特别是渐近方法。
2018-10-02 cs.SI physics.soc-ph stat.ME
A Directed, Bi-Populated Preferential Attachment Model with Applications to Analyzing the Glass Ceiling Effect
在无向网络的背景下,偏好依恋、同质性及其后果(如玻璃天花板效应)已经得到了很好的研究。然而,缺乏一个直观的,理论上易于处理的模型的有向,双填充~(即,~含有两个基团)网络,具有可变的优先连接水平,同质性和生长动力学~(例如,~新节点加入的速率、新节点主要跟随现有节点还是现有节点跟随它们等)。在很大程度上阻止了在有向网络的背景下探索这种后果,在有向网络中,由于链接的不对称性,它们更自然地发生。为此,我们提出了一个严格的理论分析的\emph{Directed Mixed Preferential Attachment}模型,并使用它来分析有向网络中的玻璃天花板效应。更具体地说,我们推导出封闭形式的表达式的幂律指数的在和出度分布的每个组~(少数和多数),并将它们相互比较,以获得见解。特别是,我们的结果产生的问题,如:\emph{when does the minority group have a heavier out-degree (or in-degree) distribution compared to the majority group? what effect does frequent addition of edges between existing nodes have on the in- and out- degree distributions of the…
2021-03-22 cs.SI cs.SY eess.SY
Reconstruction of Directed Networks from Consensus Dynamics
本文讨论了一个未知的,加权的,有向网络运行的共识动力学的拓扑结构识别问题。我们提出了一种方法来重建网络拓扑结构的动态响应时,系统是由未知的功率谱密度的广义平稳噪声刺激。该方法基于节点淘汰或接地过程,其中接地节点广播零而不从网络中消除。在这个方向上,我们测量接地和未接地共识的每对节点之间的输出的经验交叉功率谱密度,以重建网络的未知拓扑结构。我们还建立,在无向或纯单向网络的特殊情况下,重建不需要接地。最后,我们扩展我们的结果的情况下,一个有向网络假设的一般动力学,并证明了所开发的方法可以检测边缘和它们的方向。
2013-03-15 cs.SI math.OC physics.soc-ph
Key to Network Controllability
Liu等人最近提出了在有向网络上获得完全结构可控性所需的驱动节点的最小数量。驱动程序节点是不匹配的节点,从这些节点有指向所有匹配节点的路径。他们最重要的主张是,系统的可控性在很大程度上是由底层网络的度分布$P(k_{in}, k_{out})$编码的。网络的可控性是否几乎完全取决于节点的近邻,而即使是稍微远一点的节点也不起作用?出于上述问题的动机,在本次交流中,我们认为,一个有效的理解在有向网络的可控性可以达到使用基于距离的措施的接近中心和介数中心,可能不需要的知识,如在度和出度的局部连接措施。
2012-09-17 cond-mat.stat-mech cs.SI physics.soc-ph