Approximating Betweenness Centrality in Large Evolving Networks
介数中心性通过节点在网络中所有最短路径中的参与程度对节点的重要性进行排名。因此,计算精确的介数值在大型网络中是不切实际的。对于静态网络,基于随机采样路径的近似在实践中已经被证明是显著更快的。然而,对于动态网络,没有近似算法的介数中心是已知的,改善静态重新计算。我们提出了两个增量近似算法(加权和未加权连接图),提供了一个可证明的保证绝对近似误差,以解决这个赤字。处理批次的边缘插入,我们的算法产生显着的加速高达$10^4$的一个因素相比,重新开始的近似。这是通过投资存储器来存储和有效地更新最短路径来实现的。作为一个积木,我们还提出了一个渐进更快的算法更新SSSP问题的未加权图。我们的实验研究表明,我们的算法是第一个在内存中计算的介数排名实用的百万边半动态网络。此外,我们的研究结果表明,准确性甚至优于理论保证的绝对误差和节点的秩被很好地保存,特别是对于那些具有高介数。
2014-09-22 cs.DS cs.SI physics.soc-ph
Hybrid Centrality Measures for Binary and Weighted Networks
现有的社会网络分析中心性度量方法考虑了参与者的重要性,并考虑了参与者在网络中的特定结构位置。这些现有度量建议了行动者的特定属性(即,受欢迎程度、可访问性和经纪行为)。在这项研究中,我们提出了新的混合中心性措施(即,度-度、度-接近度和度-中间度),通过结合现有的度量(即,度、接近度和中间度),并提出更好地理解参与者在给定网络中的重要性的建议。本文还提出了加权网络的广义测度集。我们对合著网络数据集的分析表明,我们提出的新的中心性度量(特别是加权网络)与传统的中心性度量相比,与学者的表现具有显着的相关性。因此,它们是有用的措施,可以用来代替传统的措施,以显示在网络中的演员的突出。
2012-02-10 cs.DL cs.SI physics.soc-ph
Impact of edge-removal on the centrality betweenness of the best spreaders
控制传染病传播对避免潜在的致命后果和减少不可预见的社会经济影响至关重要。2003年的严重急性呼吸系统综合症(SARS)就是有效控制的例子,SARS造成近千人死亡,航空公司和相关企业破产。在这篇文章中,我们研究的传染病传播的控制策略的有效性的基础上删除连接在现实世界中的航空公司网络与相关的经济和社会成本考虑到通过定义适当的量化措施。我们发现了令人惊讶的结果,即删除不太繁忙的连接可以比删除更流行的连接更有效地阻止疾病的传播。由于断开不太受欢迎的路线往往会产生更少的社会经济成本,我们的研究结果表明,有可能以疫情控制效率换取重要枢纽连通性的最小减少。特别是,我们展示了各种本地流行病控制策略的性能,并展示了我们的方法如何通过传播控制特性来预测其成本效益。
2012-03-28 cs.SI physics.soc-ph
Local Detour Centrality: A Novel Local Centrality Measure for Weighted Networks
中心性,在某种意义上,捕捉到一个顶点控制网络中信息流的程度。在这里,我们提出了一种新的基于中心的介数度量,捕获的程度,一个顶点缩短相邻顶点之间的路径相比,替代路径的局部迂回中心。在介绍了我们的措施后,我们实证表明,它不同于其他领先的核心措施,如介数,度,接近度和三角形的数量。通过实证案例研究,我们提供了一个可能的解释本地绕道中心作为一种措施,捕捉到的程度,一个词的特点是上下文的多样性在语义网络。然后,我们研究我们的措施和存储在内存中的知识的可访问性之间的关系。要做到这一点,我们表明,出现在几个不同的和不同的上下文中的话是显着更有效地促进检索的后续单词比缺乏这种上下文的多样性的话。
2022-08-05 cs.SI
Refining Approximating Betweenness Centrality Based on Samplings
介数中心性(BC)是复杂网络分析中广泛使用的重要度量,如社会网络、网页搜索等。目前最快的精确BC确定算法是由Brandes给出的,对于未加权图需要$O(nm)$时间,而对于加权图需要$O(nm+n^2\log n)$时间,其中$n$是图中的顶点数,$m$是图中的边数。由于精确BC确定问题的时间复杂度很难降低,许多研究者一直在考虑任何令人满意的BC近似算法的可能性,特别是那些基于采样的BC近似算法。Bader等人给出了目前最好的BC近似算法,使用$\varepsilon t$样本在$1/\varepsilon$的因子内成功估计一个顶点的BC的概率很高,其中$t$是$n^2$与顶点的BC值之间的比率。然而,Bader工作中的一些算法参数还没有严格限制,留下了一些改进算法的空间。在这个项目中,我们重温Bader的算法,给出更紧的估计范围,并改进了近似算法的性能,即,更少的样本和更低的因子。另一方面,Riondato提出了一种在最短路径上采样的非自适应BC近似方法。我们调查的可能性,给一个自适应算法与采样的顶点。通过严格的推理,我们证明了该算法也可以给出有界的逼近因子和采样数。为了评估我们的结果,我们还使用真实世界的数据集进行了广泛的实验,发现我们的两种算法都可以达到可接受的性能。我们验证了我们的工作可以改进现有的BC近似算法,使其具有更好的参数,即,成功概率高、因子少、样本少。
2017-12-19 cs.SI physics.soc-ph
Exact and Approximate Algorithms for Computing Betweenness Centrality in Directed Graphs
本文提出有向图中计算单顶点介数中心性的精确算法(基于预计算剪枝集合RV)和随机近似算法,在真实数据集上显著优于现有算法,尤其适用于小规模顶点集合。
2021-10-28 cs.DS cs.SI
Range-limited Centrality Measures in Complex Networks
在这里,我们提出了一个范围有限的方法,在非加权和加权有向复杂网络的中心性措施。我们介绍了一种有效的方法,生成每个节点和每个边缘的介数中心的最短路径的长度不长于$\ell = 1,...,L$的情况下,非加权网络的基础上,和加权网络的相应数量的最小权重路径的路径权重不大于$w_{\ell}=\ell Δ$,$\ell=1,2...,L=R/Δ$。这些测量提供了关于节点(边缘)相对于其网络邻域(1步外、2步外等直到包括整个网络)的定位重要性的系统描述。我们发现,范围有限的中心服从普遍的标度律大型非加权网络。由于传统中心性度量的计算成本很高,因此可以利用这种缩放行为来有效地估计所有范围(包括传统范围)的节点和边缘的中心性。缩放行为也可以被利用来表明,基于其范围有限的中心度的节点(边)的排名顶列表根据范围快速冻结,因此可以有效地预测直径范围顶列表。我们还展示了如何估计$N$节点网络的典型最大节点到节点的距离,利用上述缩放行为。这些观察结果在模型网络和从手机跟踪日志($\sim 5.5\times 10^6$节点和$\sim 2.7\times 10^7$边)推断的大型社交网络上进行了说明。最后,我们应用这些概念来有效地检测网络的脆弱性骨干(定义为最高介数节点和边缘的最小聚类),并说明加权网络中基于权重的中心性度量在检测此类骨干中的重要性。
2011-11-23 cond-mat.stat-mech cs.DS cs.SI
Dynamic Laplace: Efficient Centrality Measure for Weighted or Unweighted Evolving Networks
社会网络分析(SNA)起源于社会学,迅速出现并传播到其他研究领域,包括人类学、生物学、信息科学、组织研究、政治学和计算机科学。由于社会网络分析的目的是通过网络和图论来研究社会结构,因此它是当今几个领域中的一个重要研究领域。社会网络分析处理不同的问题,即网络度量,模型,可视化和信息传播,每一个都有几种方法,方法和算法。社会网络分析的关键领域之一涉及不同中心性度量的计算(即:图中最重要的顶点)。如今,挑战是如何快速有效地做到这一点,因为有越来越多的数据集可用。最近,需要将这种中心性算法应用于非静态网络(即:随着时间的推移而发展的网络)也是一个新的挑战。中心性度量的增量和动态版本开始出现(介数,接近度等)。我们的贡献是两个增量版本的拉普拉斯中心性措施的建议,不仅可以应用于大型图形,但也加权或不加权,动态变化的网络。实验评估进行了几次测试,在不同类型的不断发展的网络,增量或完全动态。结果表明,我们的增量版本的算法可以计算节点的中心在大型网络,更快,更有效地比相应的批处理版本在增量和全动态网络设置。
2018-08-08 cs.SI physics.soc-ph
Benchmarking Measures of Network Influence
确定疾病传播的关键因素(思想、技术等)在社交网络上,主要依赖于静态基础网络或代理交互的时间平坦图上的中心性的度量。已经提出了各种措施作为最佳的影响力跟踪器,如度中心性,介数,和$k$壳,这取决于连接的结构。我们认为SIR和SIS的传播动力学上的时间挤出网络观察到的相互作用和测量的条件边际传播的变化,在感染的幅度给定的删除每个代理在每个时间:其时间敲除(TKO)得分。我们认为,TKO评分的详尽方法使其成为一个有效的基准措施,用于评估其他往往更实用的影响力措施的准确性。我们发现,应用于诱导平面图的常见网络度量都不能准确预测网络传播对所研究系统的影响;然而,时间网络和TKO度量为寻找有效的预测度量提供了必要的目标。
2016-02-18 cs.SI physics.soc-ph
Topological security assessment of technological networks
危险的恶意软件或故障在相互依赖的电子设备网络中的传播引起了人们的深切关注,因为ICT网络的感染可能会传播到其他关键的网络结构,产生众所周知的多米诺骨牌或级联效应。研究人员正试图开发一个高层次的分析恶意软件传播丢弃软件的细节,以最大限度地推广防御策略。例如,有人建议,网络邻接矩阵的最大特征值可以作为恶意软件传播的阈值。这自然导致使用谱图理论来识别技术网络中最关键和最有影响力的节点。在过去的几年里,许多著名的图参数已经研究完成的任务。在这里,我们测试了我们的AV11算法,表明它优于度,接近度,介数中心性和动态重要性
2013-08-20 cs.SI physics.soc-ph
Simulating SIR processes on networks using weighted shortest paths
我们提出了一个框架来模拟SIR过程的网络使用加权最短路径。我们的框架将SIR动态映射到分配给网络边缘的权重,这对于马尔可夫过程和非马尔可夫过程都可以做到。权重表示特定实现的相邻节点之间的传播时间。我们通过构建这样的实现,这可以通过使用马尔可夫链蒙特卡罗方法或直接采样的合奏来模拟动态。当计算来自所有可能源的实现时,前者提供了运行时优势,因为可以更有效地重新计算加权最短路径。我们将我们的框架应用于三个经验网络,并分析了所有节点对之间的预期传播时间。此外,我们已经采用我们的框架来执行有效的源检测,并改善时间关键的疫苗接种策略。
2018-11-30 cs.SI physics.soc-ph
Belief Propagation for Maximum Coverage on Weighted Bipartite Graph and Application to Text Summarization
Ibaraki University(茨城大学)
本文从最大覆盖问题的角度研究文本摘要。在图论中,文本摘要的任务被看作是二分图上的最大覆盖问题。近年来,利用统计力学的思想,提出了基于置信传播的无权图最大覆盖算法。我们将其推广到加权图的文本摘要。最后,我们将我们的算法应用于加权双正则随机图的最大覆盖性能验证。我们还将其应用于表示开放文本数据集上真实文档的二分图,并检验了文本摘要的性能。实验结果表明,该算法在某些文本摘要环境下具有比贪婪型算法更好的性能。
2020-03-26 cs.CL cs.IR cs.LG
Finding overlapping communities in networks by label propagation
我们提出了一个算法,发现重叠的社区结构在非常大的网络。该算法基于Raghavan,Albert和Kumara的标签传播技术,但能够检测重叠的社区。与原始算法一样,顶点具有在相邻顶点之间传播的标签,以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤,包括有关多个社区的信息:每个顶点现在可以属于v个社区,其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明,该算法在恢复重叠社区方面非常有效。它也非常快,可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
Combined Centrality Measures for an Improved Characterization of Influence Spread in Social Networks
影响力最大化(Influence Maximization,IM)的目标是在社交网络中发现最具影响力的用户。例如,在特定传播模型内最大化意见传播的用户。以前的工作研究了影响扩散和节点中心性措施之间的相关性,以绕过更昂贵的IM模拟。结果是有希望的,但不完整,因为这些研究调查的性能(即。例如,识别有影响力的用户的能力)的中心性措施,只有在有限的设置,e。例如,在一个实施例中,在无向/未加权网络中和/或在IM较不常见的传播模型内。在本文中,我们首先表明,良好的结果内的易感性-删除-删除(SIR)的无权重和无向网络的传播模型不一定转移到流行的独立级联(IC)的传播模型下的有向或加权网络。然后,我们确定了一组具有良好性能的加权和有向网络内的IC模型的中心性措施。我们的主要贡献是一种新的方式来结合在一个封闭的公式,以产生更好的结果的中心性措施。此外,我们还扩展了引力中心性(GC)与建议的组合中心性措施。我们在50个真实数据集上的实验表明,我们提出的中心性测度显著优于著名的中心性测度和最先进的GC测度。社交网络,影响力最大化,中心性测度,IC传播模型,影响力传播者
2020-03-11 cs.SI physics.soc-ph
Kirchhoff Index As a Measure of Edge Centrality in Weighted Networks: Nearly Linear Time Algorithms
大多数以前的工作集中在顶点重要性的度量和确定强大的顶点的方法,而边缘的相关工作要少得多,特别是加权网络,由于计算的挑战。在本文中,我们提出使用著名的基尔霍夫指数作为衡量加权网络中的边缘中心性,称为$θ$ -基尔霍夫边缘中心性。网络的基尔霍夫指数定义为所有顶点对上的有效电阻之和。边缘$e$的中心性反映在当边缘$e$被部分去激活时网络的基尔霍夫指数的增加中,其特征在于参数$θ$。定义了$θ$ -Kirchhoff边中心性的两个等价测度。两者都是全局度量,并且基于网络的局部或部分结构信息,例如边缘介数和跨越边缘中心性,具有比常用度量更好的鉴别能力。尽管Kirchhoff指标作为中心性度量具有很强的优势和广泛的应用,但计算图中每条边的Kirchhoff边中心性的精确值需要大量的计算。为了解决这个问题,对于每个$θ$ -Kirchhoff边缘中心性度量,我们提出了一种有效的算法来计算其$ε$ -在$m$中在近线性时间内所有$m$边缘的近似值。建议的$θ$ -Kirchhoff边缘中心是第一个全球性的边缘重要性度量,可以证明近似在近线性时间。此外,根据$θ$ -Kirchhoff边中心度,提出了一种$θ$ -Kirchhoff顶点中心度度量,并给出了一种在$m$中在近似线性时间内计算所有$n$顶点的$ε$ -近似Kirchhoff顶点中心度的快速算法.
2018-01-14 cs.DS cs.SI
LabelRankT: Incremental Community Detection in Dynamic Networks via Label Propagation
网络分析中一个越来越重要的挑战是有效地检测和跟踪动态网络中的社区,这些社区的变化以流的形式到达。需要一种算法,可以增量地更新和监控社区的演变产生巨大的实时数据流,如互联网或在线社交网络。在本文中,我们提出了LabelRankT,一个在线的分布式算法检测社区在大规模的动态网络,通过稳定的标签传播。在真实网络上的测试结果表明,LabelRankT具有比其他算法低得多的计算成本。与动态检测方法相比,它还提高了检测到的社区的质量,并与静态检测方法实现的质量相匹配。与大多数仅适用于二进制网络的算法不同,LabelRankT适用于加权和有向网络,这为现实世界的应用提供了灵活和有前途的解决方案。
2013-05-12 cs.SI physics.soc-ph
Analytical Models for Power Networks: The case of the Western US and ERCOT grids
电力市场中,电网的拓扑结构对电力的可靠输送和电价结算起着关键作用。随着时间的推移,新能源和负荷进入电网,导致其结构和地理扩张,并可能影响其稳定运行。本文提出了一个直观的分析模型的时间演变的大型网格,并使用它来了解常见的结构特征,在美国各地的网格。特别是,关键的图形参数,如度分布,图形直径,介数中心,本征扩散和聚类系数,以及图形过程,如感染传播被用来量化模型的好处,通过与美国西部和ERCOT电网的比较。最显着的贡献是其分析的易处理性,这提供了一个封闭的形式表示的节点度分布在大网格中观察到。所讨论的模型可用于生成真实的测试用例,以分析拓扑对网格功能和新的网格技术的影响。
2015-02-27 cs.SI physics.soc-ph stat.OT
Weighted Community Detection and Data Clustering Using Message Passing
基于相似性或权重将对象聚类是科学和工程中最重要的问题之一。本文通过扩展用于未加权社团检测问题的消息传递算法和谱算法,将社团检测问题映射到自旋玻璃转变的临界温度的Potts模型,并利用置信传播算法求解Boltzmann分布的边缘,发展了一种基于统计物理的非参数社团检测方法.我们的算法对过拟合是鲁棒的,并给出了一种原则性的方法来确定数据中是否存在显著的聚类以及有多少聚类。我们将我们的方法应用于不同的聚类任务,并使用大量的数值实验来说明我们的方法比现有算法的优势。在加权和有向网络的社区检测问题中,我们证明了我们的算法明显优于现有的算法。在聚类问题中,当数据是由混合模型在稀疏制度,我们表明,我们的方法的工作原理的理论极限的可检测性,并给出非常接近的最佳贝叶斯推断的准确性。在半监督聚类问题中,我们的方法只需要几个标签就可以在经典数据集中完美工作。最后,我们进一步发展了Thouless-Anderson-Palmer方程,它大大降低了密集网络中的计算复杂度,但给出了与置信传播几乎相同的性能。
2018-01-30 cs.SI physics.soc-ph stat.ML
Gossip on Weighted Networks
我们研究如何适合加权网络是八卦传播。该模型是基于Lind等人在未加权网络上提出的流言传播模型。体重代表“友谊。如果流言的受害者是一个“亲密的朋友”,潜在的传播者宁愿不传播。流言传播与三角形和三角形级联有关。它提供了关于网络结构的更多见解。我们分析了在真实的加权人际互动网络上传播的八卦。研究了6个共现网络和7个社会模式网络。流言传播被认为是一个很好的参数,以区分同现和社会模式的网络。作为比较,本文还研究了一些混杂网络和基于ER、BA、WS模型的计算机生成网络。它们被发现与人类互动网络有很大不同。
2012-05-05 cs.SI nlin.AO physics.soc-ph
Turning Citation Networks Inside Out: Studying Science Using Content-Based Knowledge Graphs from LLM-Derived Taxonomies
Vrije Universiteit Brussel(布鲁塞尔自由大学);Harvard University(哈佛大学)
本文提出了一种基于内容的知识图谱方法,通过LLM衍生的分类学分析科学领域,揭示方法论、数据和问题的演变架构。
2026-01-21 cs.SI
Video Pandemics: Worldwide Viral Spreading of Psy's Gangnam Style Video
病毒视频可以通过国际传播渠道传播到全球,类似于从一个很好的本地化来源开始的真正的疾病。在过去的几个世纪里,疾病前线从爆发源通过短距离人类接触网络以同心圆的空间方式传播。长途航空旅行的出现改变了这些古老的模式。然而,最近,Brockmann和Helbing已经表明,如果在飞行时间和旅行量加权的基础航空旅行网络中测量传播时间和距离,则可以恢复同心传播波。在这里,我们采用这种方法来分析Twitter消息中的病毒模因传播,并在连接世界各国和各州的通信网络中定义了类似的加权网络距离。我们平均恢复了波浪状行为,并评估了非局部性传播的随机化效果。我们表明,也可以从Google Trends数据中恢复类似的结果。
2017-07-14 cs.SI
Weighted cycle-based identification of influential node groups in complex networks
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络空间安全学院)
本文提出加权环(WCycle)指标,融合环结构与边权重识别分散多样的关键节点群,以降低影响力冗余,并在六个真实网络实验中验证其优于五种基准方法的传播效率、结构区分度和成本效益。
2025-03-15 cs.IT cs.SI math.IT
Rumor Detection on Social Media with Temporal Propagation Structure Optimization
Beihang University(北京航空航天大学)
针对现有社交媒体谣言检测方法忽略传播时序与结构噪声的问题,提出结合加权时序传播树、结构熵编码树与递归神经网络的检测方法,在两个常用数据集上表现更优。
2024-12-12 cs.CL cs.SI
Enforcing Trust Accountability with Backward Propagation
University of Southampton(南安普顿大学)
提出RepuLink双层声誉模型,通过反向背书惩罚与奖励传播机制,实现信任传播的问责性并缓解冷启动问题,在真实数据集上优于基线方法。
2026-06-07 cs.CY cs.SI
Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation
University of Luxembourg(卢森堡大学);Criteo(科韬)
图神经网络(GNN)在图学习任务中占主导地位;然而,最近的研究表明,一种著名的图算法,标签传播(LP),结合浅层神经网络,可以在具有高同质性的图上实现与GNN相当的半监督节点分类性能。在本文中,我们表明,这种方法不符合低同伦图,其中节点往往连接到节点的相反类。为了克服这一点,我们精心设计了一个基础预测与LP算法,享有一个封闭的形式的解决方案,以及收敛保证的组合。我们的算法首先学习类兼容性矩阵,然后使用LP算法按类兼容性加权来聚合标签预测。在各种各样的基准,我们表明,我们的方法实现了领先的性能与各种层次的同质性图。同时,它具有数量级更少的参数,需要更少的执行时间。经验评估表明,简单的适应LP可以在半监督节点分类的同质性和异质性制度的竞争力。
2022-11-30 cs.LG cs.SI