Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接(即层)连接的一组实体(即节点)。这些网络中观察到的连接可能并不完整,链接预测任务是跨层定位丢失的链接。在这里,主要的挑战是从不同的层收集相关的证据,以帮助链接预测任务。众所周知,社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠,则它们被认为是相似的。此外,我们发现,虽然链接的存在是相关的层,但这种相关性的程度是不一样的不同社区。我们建议,ML-BNMTF,作为一种链路预测方法在复用网络中,设计基于这些发现。ML-BNMTF优于基线方法,特别是当全球链路重叠低。
2020-05-15 cs.SI physics.soc-ph
Information content of contact-pattern representations and predictability of epidemic outbreaks
了解人群的接触模式--谁与谁接触,以及接触发生的时间--对于传染病爆发的建模至关重要。传统的理论流行病学假设,任何人都可以以相等的概率遇到任何人。一种更现代的方法,网络流行病学,假设人们连接到一个静态的网络,疾病通过这个网络传播。较新的时间网络流行病学,包括接触表示中的时间。在本文中,我们研究的效果,这些连续的包含更多的信息。使用经验接近数据,我们研究了未知来源的爆发规模,并从已知状态的持续爆发。在第一种情况下,从完全混合模拟到网络,以及从网络到时间网络,存在很大的差异。在第二种情况下,差异较小。我们解释这些意见的时间网络结构的数据集。例如,节点和链接的快速翻转似乎使时间信息更加重要。
2015-03-23 cs.SI physics.soc-ph q-bio.PE
Link prediction with hyperbolic geometry
链路预测是网络科学中的一个典型问题,具有广泛的应用。在潜在空间网络模型中,这个问题归结为按照节点之间潜在距离的增加顺序对节点对进行排序。具有双曲潜在空间的网络模型具有许多吸引人的性质,这表明它必须是预测链接的强大工具,但过去在这个方向上的工作报告了混合的结果。在这里,我们进行系统的调查潜在的双曲几何链接预测网络中的效用。我们首先表明,一些措施的链接预测精度是非常敏感的不准确性,在推理的潜在的双曲线坐标的节点,所以我们开发了一种新的坐标推理方法,最大限度地提高这种推理的准确性。将这种方法应用于合成和真实网络,我们发现,虽然存在许多有竞争力的方法来预测明显的易于预测的链接,其中双曲线链接预测很少是最好的,但往往是有竞争力的,当任务是预测不太明显的缺失链接时,它是最好的,通常是到目前为止,真的很难预测。这些链接包括不完整网络中的缺失链接,缺失链接的比例很大,节点之间没有任何共同的邻居,以及在大潜在距离的不同节点之间的缺失链接。总的来说,这些结果表明,一个特定的链接预测任务越难,就越应该认真考虑使用双曲几何。
2020-11-02 cs.SI physics.soc-ph
Predicting missing links and their weights via reliable-route-based method
链接预测的目的是根据当前网络结构发现缺失的链接或预测未来关系的出现。对于非加权网络中的链接预测,人们已经提出了很多算法,但只有很少的算法被推广到加权网络中。到目前为止,如何预测链接的权重很重要,但很少研究。在这封信中,我们提出了一个可靠的路由为基础的方法来扩展未加权的局部相似性指数加权指数,并提出了一种方法来预测链接的存在和链接的权重。在不同真实网络上的实验表明,加权资源分配指标具有最好的链路存在性预测性能,而基于可靠路由的加权资源分配指标在权重预测上表现明显更好。进一步的分析表明,链接预测和权重预测都具有很强的相关性:聚类系数越大,预测精度越高。
2014-08-05 cs.IR cs.SI physics.soc-ph
Uncovering missing links with cold ends
为了评估丢失链接预测的性能,已知数据被随机分为两部分,训练集和探测集。我们认为,这种直接和标准的方法可能会导致可怕的偏见,因为在真实的生物和信息网络中,丢失的链接更有可能是连接低度节点的链接。因此,我们研究如何发现丢失的链接与低度节点,即在探针集的链接是较低的度产品比随机抽样。对10个局部相似性指数和4个不同的真实网络的实验分析表明,Leicht-Holme-Newman指数[E. A. Leicht,P. Holme,and M. E. J. Newman,Phys.Rev.E73,026120(2006)]表现最好,尽管已知如果探测集是所有链路的随机采样,则它是最差的索引之一。我们进一步提出了一个参数依赖的指数,这大大提高了预测精度。最后,我们展示了三种真实抽样方法的相关性。
2011-10-03 cs.IR cs.SI physics.data-an
Node metadata can produce predictability transitions in network inference problems
Universitat Rovira i Virgili(罗维拉-依维尔基里大学);ICREA(加泰罗尼亚研究与高级研究院)
网络推理是从数据中学习复杂网络属性的过程。除了使用有关网络中已知链接的信息外,节点属性和其他形式的网络元数据也有助于解决网络推理问题。事实上,已经提出了几种方法来将元数据引入概率网络模型,并使用它们来进行更好的推理。然而,我们对这些元数据在推理过程中的作用知之甚少。在这里,我们调查这个问题。我们发现,而不是逐渐影响推理,添加元数据会导致突然过渡的推理过程中,我们的能力,使准确的预测,从元数据不发挥任何作用的情况下,元数据完全主导的推理过程。当网络数据和元数据部分相关时,元数据最佳地有助于在数据主导和元数据主导的制度之间的过渡的推理过程。
2021-03-26 cs.LG cs.SI physics.data-an
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
Predicting missing links via correlation between nodes
链接预测是许多领域中的一个基本问题,其目的是根据观测到的信息来估计两个节点之间存在链接的可能性。由于这个问题涉及到许多应用,从发现丢失的数据到预测网络的演变,最近已经深入研究了链接预测,到目前为止已经提出了许多方法。链接预测的本质挑战是估计节点之间的相似性。现有的大多数方法都是基于公共邻居索引及其变体。在本文中,我们提出了计算节点之间的相似性的相关系数。该方法被认为是非常有效的应用时,计算基于高阶路径的相似性。最后,我们将基于相关性的方法与资源分配方法相结合,发现结合的方法可以大大优于现有的方法,特别是在稀疏网络中。
2014-09-30 cs.SI physics.data-an physics.soc-ph
Entropy-based approach to missing-links prediction
链接预测是网络理论中的一个活跃的研究领域,旨在从观察到的网络结构中发现缺失的连接或预测未来关系的出现。本文介绍了我们的贡献流的研究有关丢失的链接预测。在这里,我们提出了一个基于熵的方法来预测一个给定的百分比丢失的链接,通过识别它们与最可能的未观察到的。通过求解可访问网络结构上恰当定义的零模型来计算概率系数。在一组经济,金融和食品网络上将我们基于可能性的本地方法与最流行的算法进行比较后,我们发现我们的表现最好,正如许多统计指标所指出的那样(例如精度,ROC曲线下面积等)。此外,在本文件中采用的基于熵的形式主义,使我们能够直接扩展的链接预测练习,以及有向网络,从而克服了当前算法的主要局限性之一。通过采用这些方法可实现的更高的准确性-以及它们更大的灵活性-使它们成为可用链路预测算法的强有力的竞争者。
2018-05-22 physics.data-an physics.soc-ph
Link-Prediction Enhanced Consensus Clustering for Complex Networks
许多从数据中推断或收集的真实网络由于缺少边而不完整。缺失的边可能是数据集固有的(Facebook好友链接永远不会完整),也可能是采样的结果(人们可能只能访问一部分数据)。结果是,消耗网络的下游分析通常会产生比边完整时更不准确的结果。特别是社区发现算法,经常会在关键的社区内边缘丢失时受到影响。我们提出了一种新的共识聚类算法,以提高不完全网络上的社区发现。我们的框架利用现有的社区发现算法,我们的链接预测为基础的算法处理网络。然后,该框架将其多个输出合并为最终的共识输出。平均而言,我们的方法在人工数据上将现有算法的性能提高了7%,在从Facebook收集的自我网络上提高了17%。
2015-06-04 cs.SI physics.soc-ph
Mapping flows on sparse networks with missing links
不可靠的网络数据可能会导致社区检测方法过度拟合,并突出虚假的结构,误导有关复杂系统的组织和功能的信息。在这里,我们将展示如何使用映射方程在具有缺失链接的稀疏网络中检测重要的基于流的社区。由于映射方程建立在香农熵估计的基础上,它假设完整的数据,因此分析欠采样网络可能会导致过度拟合。为了克服这个问题,我们将贝叶斯方法与网络的不确定性的假设到地图方程框架。在合成和现实世界的网络中的结果表明,贝叶斯估计的地图方程提供了一个原则性的方法来揭示欠采样网络中的重要结构。
2020-07-07 physics.data-an physics.soc-ph
Cliques in complex networks reveal link formation and community evolution
无向无权网络中的丢失链接预测是一个开放的、具有挑战性的问题,近年来得到了广泛的研究。本文研究了社区结构与链接形成之间的关系,提出了一种快速阻塞概率模型(FBM)。在四个真实网络上的实验结果表明,该方法具有很好的丢失链接预测精度,并且与传统方法相比,计算效率有了很大的提高。通过分析链接的形成机制,我们还发现,集团结构起着重要的作用,以帮助我们了解如何在社区中的链接增长。因此,我们总结了三个原则,这三个原则被证明能够很好地解释链接形成和网络演化的机理。
2013-03-06 cs.SI physics.soc-ph
Predicting Missing Links via Local Information
网络的缺失链预测在现代科学中具有重要的理论意义和实际意义。在本文中,我们实证研究的基础上,节点相似性的链接预测的一个简单的框架。我们比较了九个著名的本地相似性措施在六个真实的网络。结果表明,最简单的措施,即共同的邻居,具有最好的整体性能,和Adamic-Adar指数表现第二好。提出了一种新的相似性度量,动机的资源分配过程中发生的网络,并显示出具有更高的预测精度比共同的邻居。研究发现,如果只使用最近邻的信息,许多链接被分配相同的分数。因此,我们设计了另一种新的措施,利用信息的次近邻,它可以显着提高预测精度。
2009-06-01 physics.data-an physics.soc-ph
Missing Link Identifcation Using SIS Epidemic Traces
网络上SIS流行病的研究强调了网络拓扑结构在传播过程中的作用。然而,SIS流行病的准确模型依赖于网络拓扑结构的完整知识,这通常是不可用的。本文解决了从观察到的感染时间痕迹推断网络拓扑结构的问题,特别是在网络拓扑结构是部分已知或已知的一些不确定性。我们提出了一种贝叶斯方法来推断网络中不确定链接的后验概率,并推导出这些概率的封闭形式方程。我们还提出了一个数值方法的基础上吉布斯采样时,不确定的链接数量很大,使用封闭形式的方程变得不切实际。数值结果表明,所提出的方法分配高概率的现有的链接和低概率的网络不存在的链接时,SIS痕迹是足够长的能力。
2017-07-21 physics.data-an physics.soc-ph
Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method
链路预测问题的大量研究致力于寻找单层(单纯形)网络中的丢失链路。所提出的链接预测方法根据观察到的网络结构计算未连接节点对之间的相似性度量。然而,将相似性概念扩展到多重网络是一个双重挑战。现实世界的多路复用网络的层不具有相同的组织,但也不是完全不同的组织。因此,应该确定多路复用网络的层有多相似。另一方面,需要知道相似层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。特征向量能够很好地反映网络的结构特征。因此,多路复用网络的两个层是相似的。结构特征,如果它们共享相似的特征向量。实验表明,现实世界的多路复用网络的层是类似的w.r.t.结构特征和相似性的价值远远超出了它们的随机同行。此外,它表明,丢失的链接是高度可预测的,如果他们的添加或删除不显着改变网络的结构特征。否则,如果变化很大,结构特征的类似副本可能会有所帮助。基于这一概念,层重建方法(LRM)找到最好的重建所观察到的结构的目标层与其他类似层的结构特征。在不同学科的实际复用网络上的实验表明,该方法充分利用了网络中的信息冗余,即使在高丢失率的情况下,链路预测的性能也能保持鲁棒性。
2019-06-22 cs.SI physics.data-an physics.soc-ph
Pairwise Link Prediction
链接预测是网络科学中的一个常见问题,涉及多个学科。目标是预测新链接的出现或找到网络中丢失的链接。用于链接预测的典型方法使用网络的拓扑来预测一对节点之间最可能的未来或丢失的连接。然而,网络演化通常是由涉及多对节点的高阶结构介导的;例如,三个节点上的集团(也称为三角形)是社交网络结构的关键,但标准的链接预测框架不能直接预测这些结构。为了解决这个差距,我们提出了一个新的链接预测任务,称为“成对链接预测“,直接针对新的三角形的预测,其中一个任务是找出哪些节点最有可能形成一个三角形与给定的边缘。我们开发了两个PageRank为基础的方法,我们成对的链接预测问题,并自然扩展到现有的链接预测方法。我们在各种网络上的实验表明,基于扩散的方法对所使用的图形类型不太敏感,并且其结果更加一致。我们还展示了我们的成对链接预测框架可以用来得到更好的预测标准的链接预测评估的上下文中。
2019-07-10 cs.SI physics.soc-ph
Missing links prediction: comparing machine learning with physics-rooted approaches
IMT School for Advanced Studies(IMT高等研究院);Department of Physics and INFN, ‘Tor Vergata’ University of Rome(罗马托尔维加塔大学物理系及意大利国家核物理研究所);Scuola Normale Superiore(比萨高等师范学院);INdAM-GNAMPA Istituto Nazionale di Alta Matematica ‘Francesco Severi’(弗朗切斯科·塞韦里国家高等数学研究所)
本文比较了基于统计物理和机器学习的链接预测方法,发现前者在准确性上不逊于后者,并且计算更高效且更易解释。
2026-08-04 physics.app-ph physics.data-an physics.soc-ph
A novel similarity measure for mining missing links in long-path networks
网络信息挖掘是对网络拓扑结构的研究,它回答了大量基于应用的问题,涉及到一个真实系统的结构演化和功能。例如,这些问题可以与真实系统如何进化或个人如何在社交网络中相互作用有关。虽然真实系统的演化似乎是有规律的,但捕获整个演化过程中的模式并不是微不足道的。链接预测是网络信息挖掘的重要技术之一,它可以帮助我们了解真实系统的演化规律。链接预测的目的是发现缺失的链接或量化已知网络结构中不存在的链接出现的可能性。目前,广泛存在的链路预测方法几乎都集中在短路径网络,通常有无数的紧密的三角形结构。然而,这些算法在高度稀疏或长路径网络上的性能较差。在这里,我们提出了一个新的指标,是与结构等价和最短路径长度($SESPL$)的原则,以估计在长路径网络中的链路存在的可能性。通过对548个真实网络的测试,我们发现$SESPL$在长路径网络中比其他基于相似性的预测器更有效。我们还利用$SESPL$预测器和嵌入式方法的性能,通过机器学习技术,和$SESPL$的性能可以达到44.09\%,超过$GraphWave$和$Node2vec$ 7.93\%。最后,根据所有相似性预测器之间的最大信息系数矩阵($MIC$),$SESPL$是一个新的独立于传统相似性特征空间的特征。
2021-10-11 physics.data-an physics.soc-ph
Lotka-Volterra versus May-Leonard formulations of the spatial stochastic Rock-Paper-Scissors model: the missing link
RPS模型成功地再现了自然界中具有种间竞争的简单循环捕食系统的一些主要特征。尽管如此,基于格子的模拟的空间随机RPS模型是已知的,会产生显着不同的结果,这取决于是否采用三态Lotka-Volterra或四态May-Leonard公式。这是真的,独立的模型参数的值和使用冯诺依曼或摩尔邻域。为了减少使用离散格的影响,在本文中,我们介绍了一个简单的修改标准的空间随机RPS模型中,最近的邻居的搜索范围可能会扩展到最大欧氏半径$R$。我们表明,通过这种调整,Lotka-Volterra和May-Leonard公式可以设计为产生类似的结果,无论是在动力学性质和空间特征方面,通过适当的参数选择。特别是,我们表明,这种修改后的空间随机RPS模型自然会导致螺旋图案的出现,在其三个和四个状态配方。
2021-10-06 cond-mat.stat-mech physics.soc-ph q-bio.PE
Homophily and missing links in citation networks
引文网络已被广泛用于研究科学的演变,通过透镜的基本模式的知识流之间的学术论文,作者,研究子领域,科学期刊。在这里,我们专注于引用网络,以揭示同质性的显着性,即相似性产生联系的原则,用于论文之间的知识转移。为此,我们评估了引用倾向于发生在那些关注看似相关的主题或研究问题的论文之间的程度。利用1893年至2009年美国物理学会期刊上发表的大量文章数据集,我们提出了一种新的方法,通过统计验证其参考书目之间的重叠来测量文章之间的相似性。结果表明,由一篇文章到另一篇文章的引用的概率确实是两篇文章之间的相似性的递增函数。我们的研究还使我们能够发现高度相关的文章之间的缺失引用,从而有助于识别有效知识流动的障碍。通过量化缺失引文的比例,我们对不同期刊和研究子领域促进或阻碍知识传播的能力进行了比较评估。研究结果表明,知识转移似乎更有效地促进了广泛的知名度,如物理评论快报,比低影响的期刊。我们的研究对科学期刊的作者、编辑和审稿人以及公共预印本库具有重要意义,因为它提供了一个推荐相关但缺失的参考文献和正确整合论文参考书目的程序。
2015-11-24 cs.DL cs.IR cs.SI
Hierarchical structure and the prediction of missing links in networks
近年来,网络已成为描述和量化许多科学分支中复杂系统的宝贵工具。最近的研究表明,网络通常表现出层次结构,其中顶点划分为组,进一步细分为组的组,等等。在许多情况下,这些群体被发现与已知的功能单位相对应,如食物网中的生态位、生化网络中的模块(蛋白质相互作用网络、代谢网络或遗传调控网络)或社交网络中的社区。在这里,我们提出了一个一般的技术,从网络数据推断层次结构,并证明层次结构的存在可以同时解释和定量再现许多常见的网络拓扑性质,如右偏度分布,高聚类系数,短路径长度。我们进一步表明,知识的层次结构可以用来预测丢失的连接部分已知的网络具有高精度,更一般的网络结构比竞争技术。总之,我们的研究结果表明,层次结构是复杂网络的中心组织原则,能够提供洞察许多网络现象。
2008-11-04 physics.soc-ph q-bio.MN stat.ML
Automated Detection of Missing Links in Bicycle Networks
针对城市自行车网络建设零散、缺口多的问题,提出基于OpenStreetMap数据的IPDC流程识别优先级缺失链路,在哥本哈根验证与官方规划高度重叠,可为全市自行车网络规划提供低成本数据支持。
2022-03-28 cs.CY physics.soc-ph
The missing link in nanomaterials governance: industrial dynamics and downstream policies
在这篇文章中,我们探讨了扩大纳米材料治理的分析和政策影响,从关注风险监管到更广泛地关注创新治理。为此,我们分析了工业活动对纳米技术治理的影响,而以前的研究集中在风险评估,公众看法,公众参与,监管框架和相关政策。我们认为,纳米材料的工业动态的具体特点-应用和分布式创新的灵活性-创新治理有重要的影响,因为它们限制和使不同的干预措施,试图塑造技术。灵活性和分散性加剧了直接控制或塑造纳米材料创新方向的困难。特别是,公共政策杠杆作用的潜力受到创新场所多样性造成的自下而上的治理性质的阻碍。在这种情况下,我们认为,纳米材料治理的政策框架需要扩大。目前对上游政策举措的重视值得赞扬,但应辅之以更广泛的下游政策,如可再生能源采购或住房条例,以调整技术发展,实现社会理想的目标。
2009-08-09 cond-mat.mtrl-sci cond-mat.other physics.soc-ph