IM-META: Influence Maximization Using Node Metadata in Networks With Unknown Topology
Dankook University（檀国大学）；Yonsei University（延世大学）；Posts and Telecommunications Institute of Technology（邮电技术学院）；Pohang University of Science and Technology (POSTECH)（浦项科技大学）；University of Konstanz（康斯坦茨大学）
针对拓扑未知网络中的影响力最大化问题，提出IM-META方法，利用节点元数据和查询，通过Siamese网络学习关系、构建强化图并基于拓扑感知排序选择查询节点，在四个真实数据集上验证了其有效性、鲁棒性和可扩展性。
2024-02-06 cs.AI cs.IT cs.LG
Structure and inference in annotated networks
对于许多具有科学意义的网络，我们既知道网络的连接，也知道关于网络节点的信息，例如社交网络中个体的年龄或性别，互联网中节点的地理位置，或基因调控网络中节点的细胞功能。在这里，我们将演示如何使用这种“元数据”来提高我们对网络结构的分析和理解。我们特别关注网络中的社区发现问题，并开发了一种数学原理的方法，该方法将网络及其元数据相结合，比单独使用任何一种方法都更准确地检测社区。至关重要的是，该方法并不假设元数据与我们试图找到的社区相关。相反，该方法学习相关性是否存在，并根据元数据是否包含有用信息正确使用或忽略元数据。学习到的相关性本身也很有趣，使我们能够预测网络连接未知的节点的社区成员身份。我们在已知结构的合成网络和来自社会、生物和技术领域的大大小小的真实网络上展示了我们的方法。
2015-07-14 cs.SI physics.data-an physics.soc-ph
Multiscale mixing patterns in networks
网络中的分类混合是具有相同属性或元数据的节点相互链接的趋势。这是一种经常在社交网络中发现的属性，表现为具有相同年龄、种族或政治信仰的人之间更高的链接倾向。量化链接性或分离性（链接到具有不同属性的节点的偏好）的水平可以揭示复杂网络中链接和传染过程形成的因素。在离散值元数据的情况下，通常的做法是根据可扩展性系数或模块性来测量可扩展性水平。这个全局值是整个网络的平均重复率水平，当混合模式是异构的时，它可能不是一个代表性的统计数据。例如，由于文化规范的差异，一个跨越全球的社交网络可能会在混合模式上表现出地方差异。在这里，我们介绍了一种方法来本地化这个全球性的措施，使我们可以描述跨多个尺度，在节点级别的可追溯性。因此，我们能够捕捉和定性评估网络中的混合模式的分布。我们发现，对于许多现实世界中的网络的不确定性的分布是偏斜的，过度分散和多模态的。我们的方法提供了一个更清晰的镜头，通过它我们可以更仔细地检查网络中的混合模式。
2018-04-18 cs.SI physics.data-an physics.soc-ph
The ground truth about metadata and community detection in networks
在许多科学领域中，通常需要自动提取复杂系统组件如何交互的简化视图或粗粒度视图。这个一般任务称为网络中的社区发现，类似于在独立向量数据中搜索聚类。通常通过社区检测算法找到所谓的“真值”社区的能力来评估社区发现算法的性能。这在具有种植社区的合成网络中工作得很好，因为这种网络的链接是基于这些已知社区明确形成的。然而，在现实世界的网络中没有种植社区。相反，标准做法是将某些观察到的离散值节点属性或元数据视为真值。在这里，我们表明，元数据是不一样的真值，并把它们作为这样的诱导严重的理论和实践问题。我们证明，没有算法可以唯一地解决社区发现，我们证明了一个一般的没有免费午餐定理社区发现，这意味着不可能有算法是最佳的所有可能的社区发现任务。然而，社区发现仍然是一个强大的工具，节点元数据仍然有价值，因此仔细探索它们与网络结构的关系可以产生真正有价值的见解。我们通过引入两种统计技术来说明这一点，这些技术可以量化元数据和社区结构之间的关系，用于广泛的模型。我们使用合成和真实世界的网络，并为多种类型的元数据和社区结构演示这些技术。
2017-05-03 cs.SI physics.data-an physics.soc-ph
Community detection in networks: Structural communities versus ground truth
在网络中寻找社区的算法只依赖于结构信息和搜索节点的内聚子集。另一方面，大多数学者隐含或明确地假设结构社区代表具有相似（非拓扑）属性或功能的节点组。到目前为止，这一假设无法得到验证，因为缺乏具有节点分类信息的网络数据集。我们发现，传统的社区检测方法无法找到在许多大型网络的元数据组。我们的研究结果表明，结构社区和元数据组之间存在明显的分离，与最近的研究结果一致。这意味着，要么我们当前的社区结构建模必须进行实质性修改，要么元数据组可能无法单独从拓扑中恢复。
2014-12-11 cs.IR 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
Node mixing and group structure of complex software networks
大型软件项目是最复杂的人造系统之一，由相互依赖的部分组成。过去从复杂网络的角度对软件系统的研究已经导致了不同应用的显着发现。尽管如此，我们对软件网络结构的理解仍然只是部分的。在这里，我们研究相关性或链接节点之间的混合，并表明软件网络揭示二分法节点度混合类似于最近在生物网络中观察到的。我们进一步表明，软件网络也揭示了特征聚类配置文件和混合。因此，软件网络中的节点混合与例如，互联网或社交网络。我们解释所观察到的混合通过存在的节点组具有共同的链接模式。更确切地说，除了被称为社区的紧密联系的群体之外，软件网络还包括表示模块，核心/外围结构等的断开的群体。此外，组与底层软件项目的内在属性相吻合，这促进了在软件工程中的实际应用。
2015-02-17 cs.SE cs.SI physics.soc-ph
Structure constrained by metadata in networks of chess players
国际象棋是一项具有象征意义的运动，因其年龄，受欢迎程度和复杂性而脱颖而出。它从许多学科的角度研究人类行为，从记忆和学习等认知技能到创新和决策等方面。鉴于历史上国际象棋比赛的大量文献，有可能对这项运动进行详细和统计学上的重要研究。在这里，我们使用世界上最广泛的国际象棋数据库之一来构建两个国际象棋选手网络。其中一个网络包含在板上玩的游戏，另一个包含在互联网上玩的游戏。我们研究了网络的主要拓扑特征，如度分布和相关性，传递性和社区结构。我们通过将球员的比赛水平作为节点元数据来补充结构分析。虽然这两个网络拓扑结构不同，我们表明，在这两种情况下，球员聚集在社区根据他们的专业知识和新兴的丰富的俱乐部结构，由顶级球员，也存在。
2017-11-09 cs.SI physics.soc-ph
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络，我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而，组成网络的节点具有不同的传播能力，这受到许多因素的制约，而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性，根据相邻节点的多样性定义了改进的H指标中心度（IH），然后利用累积中心度（MC）将所有相邻节点考虑在内，提出了扩展的混合H指标中心度（EMH）。我们评估所提出的方法的易感性-感染-扩散（SIR）模型和单调性，这是用来评估的准确性和分辨率的方法，分别。实验结果表明，该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
Mixing patterns and individual differences in networks
我们研究网络中的混合模式，这意味着不同类型的节点相互连接的倾向。节点偏好连接与自己相似的其他节点的现象已经得到了广泛的研究，但在这里，我们进一步研究了相似的节点如何以及在多大程度上具有不同的偏好。例如，友谊网络中的许多人可能更喜欢与自己年龄大致相同的朋友，但有些人可能会表现出对年长或年轻朋友的偏好。我们介绍了一个网络模型，捕捉这种行为和方法，将其拟合到经验网络数据。我们提出的指标来表征的平均值和变化的混合模式，并显示如何推断其值从拟合模型，无论是使用最大似然估计的模型参数或在贝叶斯框架，不需要固定任何参数。
2019-04-17 cs.SI physics.soc-ph
Homologous nodes in annotated complex networks
提出一种结合标注和网络结构定量分析的方法，通过节点邻域中相似的标注分布对节点进行分组，识别出彼此不相连但具有共同功能角色和属性的同源节点。
2025-05-29 cs.SI
Breaking the Limit of Graph Neural Networks by Improving the Assortativity of Graphs with Local Mixing Patterns
Purdue University（普渡大学）；Amazon（亚马逊）
图神经网络通过融合网络结构和节点特征，在多个基于图的学习任务上取得了巨大的成功。现代GNN模型建立在通过消息传递迭代聚合邻居/邻近特征的基础上。它的预测性能已被证明是由图中的混合约束的，这是一个关键属性，其中具有相似属性的节点相互混合/连接。我们观察到，现实世界中的网络表现出异构或多样化的混合模式和传统的全球测量的非线性，如全球非线性系数，可能不是一个代表性的统计在量化这种混合。我们采用了一个广义的概念，节点级的可学习性，一个基于节点级的概念，以更好地表示不同的模式，并准确地量化GNN的可学习性。我们发现，广泛的GNN模型的预测性能与节点级别的重复性高度相关。为了打破这一限制，在这项工作中，我们专注于将输入图转换成一个计算图，其中包含接近和结构信息作为不同类型的边缘。由此产生的多关系图具有增强的可扩展性，更重要的是，保留了丰富的信息，从原始图。然后，我们建议在这个计算图上运行GNN，并表明在结构和接近度之间进行自适应选择可以提高不同混合下的性能。从经验上讲，我们展示了在各种现实世界的图学习基准测试中采用我们的转换框架进行半监督节点分类任务的好处。
2021-06-11 cs.LG cs.SI
Map equation for link community
社区结构存在于许多现实世界的网络中，并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区，而最近的一些研究开始划分链接而不是节点，以有效地找到重叠的节点社区。我们扩展了地图方程方法，这是最初开发的节点社区，在网络中找到链接社区。在不同类型的网络上进行测试，并与网络元数据进行比较，结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息，可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外，由于该方法是基于随机游动的，因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Attention Dynamics in Collaborative Knowledge Creation
为了揭示知识的协同生产的机制，我们调查了一个非常大的在线问答系统，其中包括超过五年的数百万用户的提问和回答活动。我们创建了知识网络，其中节点是问题，边是用户的连续回答活动。我们发现，这些网络有两个共同的性质：1）减轻节点之间的度不平等; 2）节点的混合。这意味着，虽然系统倾向于减少对旧问题的注意力投入，以便对新问题给予足够的关注，但将新知识整合到现有知识体系中并不容易。我们提出了一个混合模型，结合偏好连接和反向偏好连接过程来模拟知识网络的演化，并成功地再现了所观察到的模式。我们的混合模型不仅在理论上很有趣，而且还为在线社区的管理提供了见解。
2015-11-24 cs.SI physics.soc-ph
Found Graph Data and Planted Vertex Covers
记录网络数据的一种典型方式是测量一组指定的核心节点之间的所有交互;这会产生一个包含这个核心以及可能更大的一组边缘节点的图，这些边缘节点与核心有链接。然而，条纹中的节点对之间的相互作用不被该过程记录，因此不存在于所得到的图形数据中。例如，电话服务提供商可能仅具有其中至少一个参与者是客户的呼叫的记录;这可以包括客户和非客户之间的呼叫，但不包括成对的非客户之间的呼叫。关于哪些节点属于核心的知识是元数据的重要组成部分，对于解释网络数据集至关重要。但在许多情况下，这种元数据是不可用的，要么是因为数据来源困难而丢失，要么是因为网络由反监视等环境中获得的发现数据组成。这导致了一个自然的算法问题，即核心集的恢复。由于核心集形成了图的顶点覆盖，我们本质上有一个种植顶点覆盖问题，但有一个任意的底层图。我们开发了一个理论框架来分析这个种植顶点覆盖问题，固定参数的易处理性理论的基础上，与算法恢复的核心。我们的算法是快速的，简单的实现，并在各种现实世界的数据集上优于几种基于网络核心-外围结构的方法。
2018-05-03 cs.DM cs.DS cs.SI
Δ-Conformity: Multi-scale Node Assortativity in Feature-rich Stream Graphs
异质性是复杂网络的一个关键方面，通常通过查看节点属性的分布而出现，从度的里程碑观测到混合模式估计的最新发展。混合模式特别是指节点对属性标签的连接偏好。社交网络的主要特征是相互依赖/同性恋行为，其中节点更有可能与相似的节点连接。最近，越来越多地测量在多尺度的方式，以克服经典分数的众所周知的局限性的交替混合。这种多尺度策略可以捕获节点同质性之间的异构行为，但它们忽略了现实世界系统中一个重要的，通常可用的附录：边存在的时间以及它们相应地形成的时变路径。因此，在复杂网络中，时间同质性仍然知之甚少。在这项工作中，我们的目标是通过引入Δ-一致性测度来弥补这一差距，Δ-一致性测度是一种多尺度的、路径感知的、节点同质性估计器，它在功能丰富的流图的新框架内。一个丰富的实验部分分析了Δ-一致性随时间的变化趋势，从现实生活中的社交网络到比特币交易网络的具体案例研究。
2021-11-30 cs.SI
Conformity: A Path-Aware Homophily Measure for Node-Attributed Networks
揭示表征复杂网络的连接模式的同亲/异亲行为是社会网络分析的一项重要任务，通常研究节点属性的混合。最近的工作强调，一个全球性的措施，以量化节点同质性必然提供了一个局部的，往往是欺骗性的，现实的画面。从这些文献中，在这项工作中，我们提出了一种新的措施，即一致性，旨在克服这种限制，提供一个以节点为中心的量化的混合模式。从迄今为止提出的措施来看，一致性被设计为路径感知，从而允许更详细地评估不同分离程度的节点对目标的同质嵌入的影响。对合成数据和真实数据的实验分析使我们能够观察到一致性可以从节点属性图中揭示有价值的见解。
2020-12-09 cs.SI
Multi-scale Anomaly Detection on Attributed Networks
许多社会和经济系统可以表示为属性网络，这些网络编码实体之间的关系，这些实体本身由不同的节点属性描述。发现这些系统中的异常对于检测滥用行为（如信用卡欺诈、网络垃圾邮件或网络入侵）至关重要。直觉上，异常节点被定义为属性与某组参考节点的属性完全不同的节点，称为异常的上下文。虽然已经提出了一些方法来发现本地，全球或社区范围内的异常，但由于真实网络的多尺度组成和节点元数据的异质性，该问题仍然具有挑战性。在这里，我们提出了一种原则性的方法，在网络的所有相关尺度上，同时发现异常节点与它们异常的上下文。我们的特征异常节点的浓度保持为每个节点平滑后，特定的信号定位在图的顶点。此外，我们介绍了一个图形信号处理制定的马尔可夫稳定性框架中使用的社区发现，以找到异常的上下文。我们的方法的性能进行了评估合成和现实世界的属性网络，并显示出优越的结果有关的最先进的算法。最后，我们展示了我们的方法在大型网络采用切比雪夫多项式近似的可扩展性。
2019-11-25 cs.SI physics.soc-ph
Community Detection in networks by Dynamical Optimal Transport Formulation
在网络中检测社区在各种应用领域中是重要的。虽然存在各种方法来执行此任务，但最近的努力提出了最优传输（OT）原则，结合奥利维尔-里奇曲率的几何概念，通过严格比较编码到节点邻域中的信息来将节点分类为组。我们提出了一种基于OT的方法，利用OT理论的最新进展，允许调整交通处罚，这强制执行不同的交通计划。因此，我们的模型可以灵活地捕捉不同的场景，从而提高性能的准确性，在恢复社区相比，标准的OT为基础的配方。我们测试了我们的算法在合成和真实网络中的性能，在前一种情况下，与其他基于OT的方法相比，我们的算法具有可比或更好的性能，同时发现社区与真实数据中的节点元数据更加一致。这进一步推动了我们对几何方法在复杂网络中捕获模式的能力的理解。
2022-05-17 cs.SI physics.soc-ph
Multi-hop assortativities for networks classification
Institute for Information and Communication Technologies Electronics and Applied Mathematics (ICTEAM)（信息与通信技术、电子与应用数学研究所（ICTEAM））；Université catholique de Louvain（鲁汶天主教大学）；Center for Operations Research and Econometrics (CORE)（运筹学与计量经济学中心（CORE））
一些社会、医学、工程和生物学挑战依赖于从网络的结构和节点元数据中发现网络的功能。例如，在化学信息学中，人们可能希望根据结构和原子类型检测分子是否有毒，或者发现科学合作网络的研究领域。现有技术依赖于计算或测量已知显示网络之间的大变化的结构模式，例如三角形的数量或节点元数据的重复性。我们引入了多跳重复性的概念，它捕获了位于给定长度的随机选择的路径的端点处的节点的相似性。我们表明，多跳的可追溯性统一了各种现有的概念，并提供了一个通用的家庭的“指纹”来表征网络。在机器学习工具箱的帮助下，这些指纹又允许恢复网络的功能。我们的方法是根据既定的社会和化学信息网络基准进行经验评估的。结果表明，我们的自主性为基础的功能是有竞争力的，提供高度准确的结果往往优于最先进的方法的网络分类任务。
2018-11-16 cs.LG cs.SI stat.ML
Sampling Multiple Nodes in Large Networks: Beyond Random Walks
随机节点采样是分析大规模网络的基本算法，许多现代图挖掘算法都依赖于它。我们考虑在网络中生成大量随机节点的任务，假设有限的查询访问（查询节点会显示其邻居集）。在目前的方法中，基于长随机游走，每个样本的查询数量与网络的混合时间呈线性关系，这对于大型现实世界的网络来说可能是禁止的。我们提出了一种新的方法来采样多个节点，通过显式搜索网络中较难访问的组件，绕过了混合时间的依赖性。我们测试我们的方法在各种现实世界和合成网络上的节点高达数千万，展示了查询复杂性的改善高达$\times 20$相比，最先进的。
2021-10-25 cs.DS cs.SI
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
Directed Hybrid Random Networks Mixing Preferential Attachment with Uniform Attachment Mechanisms
基于网络数据的复杂性，我们提出了一种混合优先连接（PA）规则和统一连接（UA）规则的有向混合随机网络。当创建新边时，概率为$p\in [0,1]$，它遵循PA规则。否则，将在两个统一选择的节点之间添加此新边。与纯PA情况相比，这种混合使得固定节点的入度和出度以较慢的速率增长，从而导致较轻的分布尾部。有用的推理方法，建议的混合模型，然后提供和应用到合成和真实的数据集。我们看到，通过参数$p$提供的额外灵活性，混合随机网络提供了更好的适应现实世界的场景，其中观察到来自入度和出度的较轻尾部。
2021-01-15 cs.SI math.PR stat.OT
The large-scale structure of journal citation networks
我们分析的大规模结构的期刊引文网络所包含的信息建立在汤森路透期刊引文报告。为此，我们利用网络科学的工具，探索网络属性，如密度，渗透鲁棒性，平均和最大节点距离，互惠性，传入和传出度分布，以及节点度的混合。我们发现，期刊引文网络是一个密集的、健壮的、小型的、互惠的世界。此外，在节点度分布和出节点度分布显示长尾，少数重要的期刊和许多琐碎的，他们是强正相关。
2011-10-18 cs.DL cs.SI physics.soc-ph
Disentangling Codemixing in Chats: The NUS ABC Codemixed Corpus
National University of Singapore（新加坡国立大学）
针对非正式多语交流场景下缺乏作者标注的公开语码混合语料库的问题，本研究推出首个通用标注语料库NUS ABC Codemixed Corpus，含超35万条多语混合消息，为相关NLP及语言学研究提供基础数据支撑。
2025-06-16 cs.CL cs.SI
Features and heterogeneities in growing network models
从万维网到生物网络的许多复杂网络都考虑到了节点的异质性。一个节点的特征可以是一个离散的量，例如一个URL文档的分类，如个人页面，主题网站，新闻，博客，搜索引擎，社交网络等。或功能模块中基因的分类。此外，节点的特征可以是连续变量，诸如节点在嵌入空间中的位置。为了说明这些属性，在本文中，我们提供了一个泛化的增长网络模型的优先连接，包括异构功能的节点的效果。异质性的主要影响是每类节点的“有效适应度”的出现，决定了节点获得新链接的速度。度分布表现出类似于适应度模型的多尺度行为。只要链接是通过有效的优先连接来分配的，这个属性对于模型中的变化是鲁棒的。除了度分布之外，本文还给出了模型的其他相关性质的完整刻画。我们评估的聚类系数，并表明，它消失了大的网络规模，与巴拉巴西-阿尔伯特模型共享的属性。负度相关性也存在于所研究的一类模型中，以及特征之间的非平凡混合模式。因此，我们得出结论，小的聚类系数和dispersionative混合的结果，在一般的增长网络的优先连接机制。
2012-05-02 cond-mat.dis-nn cs.SI physics.soc-ph
META-CODE: Community Detection via Exploratory Learning in Topologically Unknown Networks
Yonsei University（延世大学）；Posts and Telecommunications Institute of Technology（邮电技术学院）
在社交网络中发现社区结构作为各种网络分析任务的基本问题已经获得了相当大的关注。然而，由于隐私问题或访问限制，网络结构通常是未知的，从而使得建立的社区发现方法在没有昂贵的数据采集的情况下无效。为了应对这一挑战，我们提出了META-CODE，这是一种新型的端到端解决方案，用于通过易于收集的节点元数据辅助的探索性学习来检测具有未知拓扑的网络中的重叠社区。具体来说，META-CODE由三个步骤组成：1）初始网络推理，2）基于我们新的重建损失训练的图神经网络（GNN）的节点级社区联系嵌入，以及3）通过基于社区联系的节点查询进行网络探索，其中步骤2和3迭代执行。实验结果表明，META-CODE表现出（a）优于基准方法重叠社区发现，（b）我们的训练模型的有效性，（c）快速网络探索。
2022-08-23 cs.AI cs.IR cs.LG
A Markovian Model of the Evolving World Input-Output Network
ETH Zurich（苏黎世联邦理工学院）
本文利用马尔可夫链方法分析1995-2011年世界经济网络演变，通过混合时间、Kemeny常数等指标评估全球化程度和系统风险，揭示了经济节点活动变化对整体货币流动的影响。
2017-09-02 cs.SI econ.GN physics.soc-ph
Mixing Time Matters: Accelerating Effective Resistance Estimation via Bidirectional Method
研究无向图上有效电阻的高效近似问题，提出双向方法将最坏计算复杂度显著改进，在真实与合成数据集上实现10至1000倍加速。
2025-03-05 cs.DS cs.SI
Growth and Optimality in Network Evolution
在本文中，我们研究网络的演变是由一个随机组装过程和优化过程的相互作用。在第一个过程中，一次添加一个新节点，并与随机选择的旧节点形成连接。在节点添加之间，网络重新布线以最小化其路径长度。对于时间尺度，在组装和优化过程都不占主导地位的情况下，我们发现了各种各样的复杂网络，其度分布具有幂律尾。这些网络还表现出非平凡的聚类，层次结构和有趣的程度混合模式。
2011-05-13 cond-mat.dis-nn cs.SI nlin.AO
Distribution and Dependence of Extremes in Network Sampling Processes
我们探讨了大型网络的采样序列中的依赖结构。我们考虑随机算法来采样的节点和研究极值性质在任何相关的平稳序列的感兴趣的特征，如节点度，追随者的数量或收入的节点在在线社交网络等，满足两个混合条件。研究了采样序列的几个有用的极值，如$k$ th最大值、超过阈值的聚类、大值的首次命中时间等。我们将极值的相关性和统计量抽象为极值理论中的一个参数，称为极值指数（EI）。在这项工作中，我们推导出这个参数的分析，也估计它的经验。我们建议使用EI作为一个参数，比较不同的采样程序。作为一个具体的例子，详细研究了相邻节点之间的度相关性与三个突出的随机游动作为采样技术。
2015-02-24 cs.NI cs.SI
