Interlayer link prediction in multiplex social networks: an iterative degree penalty algorithm
在线社交网络（OSN）应用程序提供不同的体验;例如，在Twitter上发布短文本和在Instagram上分享照片。多个OSN构成复用网络。出于隐私保护和使用目的，属于不同OSN中的同一用户的帐户可能具有不同的用户名、照片和介绍。多重网络中的层间链接预测旨在识别不同OSN中的帐户是否属于同一个人，这可以帮助包括网络犯罪行为建模和客户兴趣分析在内的任务。许多现实世界的OSN表现出无标度分布，因此，不同程度的邻居可能会对不同OSN之间的节点匹配度产生不同的影响。提出了一种迭代度惩罚（IDP）算法用于多路复用网络中的层间链路预测.首先，我们提出了一个度惩罚原则，分配更大的权重给一个共同的匹配邻居与较少的连接。其次，我们应用节点邻接矩阵乘法，以有效地获得所有不匹配的节点对的匹配度。之后，我们使用经批准的最大值法从匹配度矩阵获得层间链接预测结果。最后，将预测结果插入先验层间节点对集合中，迭代进行上述过程，直至一层中所有不匹配节点都匹配或所有不匹配节点对的匹配度都等于0。实验结果表明，当复用网络平均度和节点重叠率较低时，改进的IDP算法的性能明显优于现有的基于网络结构的方法。
2020-02-06 cs.SI physics.soc-ph
Trip Centrality: walking on a temporal multiplex with non-instantaneous link travel time
在复杂网络中，中心性度量量化了节点的连通性，并确定了信号传输中最重要的节点。在许多现实世界的网络中，特别是在交通系统中，链路是动态的，即它们的存在依赖于时间，并且在两个节点之间旅行需要非零时间。此外，许多网络被构造在若干层上，例如，不同的运输方式或服务提供商。时间概括的中心性指标的基础上步行计数，如卡茨中心性，存在，但他们不占非零链路的旅行时间和多路复用结构。我们提出了一个概括的Katz中心，称为旅行中心，只计算可以根据网络的时间结构，即“旅行”，同时也区分的贡献，层间和层内步行到中心的路径。我们展示了美国航空运输系统的应用程序，特别是计算机场的中心性损失，由于航班网络中的延误。
2019-03-07 cs.SI physics.soc-ph
SimBins: An information-theoretic approach to link prediction in real multiplex networks
现实世界网络的实体通过不同类型的连接（即层）连接。多路复用网络中的链路预测的任务是基于层内和层间相关性来找到丢失的连接。我们的观察证实，在广泛的现实世界的多重网络，从社会到生物和技术，一个层的连接概率和其他层的相似性之间存在正相关。因此，设计了一种基于相似性的自动通用复用链路预测方法- SimBins -，该方法基于复用网络中观察到的层间相关性来量化连接不确定性的量。此外，SimBins通过合并跨层链路重叠的影响来增强目标层的预测质量。应用于不同领域的各种数据集，SimBins被证明是强大的，优于比较方法在大多数实验情况下，在链接预测的准确性。此外，讨论了SimBins对基本相似性度量施加较小的计算开销，使其成为一种潜在的快速方法，适用于大规模复用网络。
2020-12-04 cs.SI physics.data-an physics.soc-ph
Functional Multiplex PageRank
近年来，人们认识到许多复杂的社会、技术和生物网络具有多层性质，可以用多重网络来描述。多路复用网络由一组节点形成，这些节点通过具有不同内涵的链路连接，从而形成多路复用的不同层。表征多路复用网络中节点的中心性是一项具有挑战性的任务，因为节点的中心性自然取决于与某种类型的链路相关联的重要性。在这里，我们建议为多路复用网络的每个节点分配一个中心性，称为功能多路复用PageRank，它是任意两个节点之间的多路复用网络中存在的每个不同连接模式（多链路）的权重的函数。由于多重链接区分了不同层中链接重叠的所有可能方式，因此当将大相关性或小相关性分配给重叠的多重链接时，功能多重PageRank可以描述重要的非线性效果。在这里，我们将功能页面排名应用于多路机场网络，线虫的神经网络。秀丽线虫，科学家之间的社会合作和引用网络。这一分析揭示了这些网络的最中心节点之间存在的重要差异，以及它们所谓的“成功模式”之间的相关性。
2016-11-15 cs.SI physics.soc-ph
Link persistence and conditional distances in multiplex networks
最近的进展解开隐藏的几何组织的真正的复用揭示了显着的相关性，在不同的网络层，这有利于跨层链接预测和相互导航等应用程序的双曲线节点坐标。但是，仅仅几何相关性就足以解释真实系统各层之间的拓扑关系吗？在这里，我们对这个问题给出了否定的答案。我们表明，在真正的系统中的连接往往坚持从一层到另一个无关的双曲距离。这表明，除了纯粹的几何方面，一个层中的显式链路形成过程会影响其他层的拓扑结构。基于这一发现，我们提出了一个简单的修改最近开发的几何多重模型来解释这种影响，并表明扩展模型可以重现在真实系统中观察到的行为。我们还发现，链接持久性是显着的，在所有考虑的复用，可以解释他们的层的高边缘重叠，这不能单独用坐标相关性来解释。此外，通过考虑链路持久性和双曲线距离相关性，我们可以改进跨层链接预测。这些发现指导了多重嵌入方法的发展，这表明这种方法应该考虑到跨层的坐标相关性和链接持久性。
2019-01-27 cs.SI 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
Structural measures for multiplex networks
现实世界中的许多复杂系统都是由一组基本单元组成的，这些基本单元通过不同类型的关系连接在一起。所有这些系统都可以用多路复用网络来描述，其中每一层的链路代表同一组节点之间不同类型的交互，而不是用（单层）网络来描述。在本文中，我们提出了一个通用的框架来描述和研究多路复用网络，其链接是不加权或加权。特别是，我们提出了一系列的措施来表征系统的多路性方面：i）基本节点和链接属性，如节点度，和边缘重叠和加固，ii）局部属性，如聚类系数和传递性，iii）全局属性相关的多路复用跨不同层的可导航性。我们所采取的措施在印度尼西亚恐怖分子的真实多重数据集上得到验证，其中记录了78个人之间关于相互信任、共同行动、交流通信和商业关系的信息。
2014-03-14 cs.SI physics.soc-ph
Link prediction in multiplex networks via triadic closure
ISI Foundation（ISI基金会）；Institute for Biocomputation and Physics of Complex Systems (BIFI), University of Zaragoza（萨拉戈萨大学生物计算与复杂系统物理研究所（BIFI））；University of Zaragoza（萨拉戈萨大学）
链接预测算法可以帮助理解复杂系统的结构和动力学，从不完整的数据集重建网络，并预测未来的相互作用，在不断发展的网络。基于节点之间相似性的可用算法受到这些网络中存在的有限数量的链接的限制。在这项工作中，我们减少了后者的内在限制，并表明可以利用不同类型的关系数据来提高新链接的预测。为此，我们提出了一种新的链接预测算法，通过推广的Adamic-Adar方法组成的多路复用网络的任意数量的层，编码不同形式的相互作用。我们表明，新的度量优于经典的单层Adamic-Adar评分和其他国家的最先进的方法，在几个社会，生物和技术系统。作为副产品，最大化复用Adamic-Adar度量的系数指示复用网络中结构化的信息如何针对链接预测任务进行优化，从而揭示哪些层是冗余的。有趣的是，这种效应对于不同层的预测可能是不对称的。我们的工作铺平了道路，为更深入地了解不同的关系数据在预测新的相互作用的作用，并提供了一个新的算法，链接预测在多路复用网络，可应用于大量的系统。
2020-11-16 cs.LG cs.SI 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
Interlayer Link Prediction in Multiplex Social Networks Based on Multiple Types of Consistency between Embedding Vectors
在线用户通常活跃在多个社交媒体网络（SMN）上，这构成了多元化的社交网络。确定不同SMN上的给定帐户是否属于同一用户变得越来越具有挑战性;这可以表示为复用网络中的层间链路预测问题。为了解决预测层间连接的挑战，利用特征或结构信息。使用网络嵌入技术来解决这个问题的现有方法专注于学习映射函数，以将所有节点统一到一个公共的潜在表示空间中进行预测;不匹配的节点和它们的公共匹配邻居（CMN）之间的位置关系没有被利用。此外，这些层通常被建模为未加权图，忽略了节点之间关系的强度。为了解决这些限制，我们提出了一个基于多种类型的嵌入向量（MulCEV）之间的一致性的框架。在MulCEV中，传统的基于嵌入的方法被用来获得代表不匹配节点的向量之间的一致性程度，并提出了一种基于节点在每个潜在空间中的位置的距离一致性指数，为预测提供了额外的线索。通过将这两类一致性关联起来，充分利用了潜在空间中的有效信息。此外，MulCEV将层建模为加权图以获得表示。通过这种方式，节点之间的关系强度越高，它们在潜在表示空间中的嵌入向量将越相似。我们在几个真实数据集上的实验结果表明，所提出的MulCEV框架明显优于当前基于嵌入的方法，特别是当训练迭代次数很小时。
2021-11-09 cs.SI physics.soc-ph
Analysis of complex contagions in random multiplex networks
我们研究了随机多路复用网络中的影响扩散，其中链接可以是$r$不同类型，并且对于给定的内容（例如，谣言、产品、政治观点），每个链接类型与$[0,\infty]$中的内容相关参数$c_i$相关联，该参数测量相对偏差类型- $i$链接在传播该内容时具有的偏差。在这种情况下，我们提出了一个线性阈值模型的传染，节点切换状态，如果他们的“感知”的积极邻居的比例超过阈值τ。即，如果$\sum{c_i m_i}/\sum{c_i k_i}$超过其阈值τ，则经由类型- $i$链路连接到$m_i$活动邻居和$k_i-m_i$非活动邻居的节点将变为活动.在此模型下，我们得到了全球传播事件的条件、概率和期望规模。我们的结果扩展了现有的工作复杂的传染在几个方向，i）提供解决方案的耦合随机网络的顶点既不相同也不相交，（ii）突出的影响，内容的动态复杂的传染，及（iii）显示该内容─多路网络上的依赖传播导致图的巨型脆弱分量与全局级联条件之间的微妙关系这在文献中的现有模型中是看不到的。
2012-06-08 cs.SI physics.soc-ph
Pay Attention to Weak Ties: A Heterogeneous Multiplex Representation Learning Framework for Link Prediction
本文提出多关系感知图神经网络MRGNN，通过层内特征传播与层间注意力投票聚合机制学习多层网络节点表示，在四个多层网络上验证了其链路预测整体准确率优于现有方法，尤其擅长预测弱连接。
2024-10-21 cs.SI
MultiSAGE: a multiplex embedding algorithm for inter-layer link prediction
University of Catania（卡塔尼亚大学）；INFN Sezione di Catania（意大利国家核物理研究所卡塔尼亚分部）；University of Namur（那慕尔大学）；Queen Mary University of London（伦敦玛丽女王大学）
图表示学习的研究近年来受到了极大的关注。然而，到目前为止，大多数研究都集中在单层图的嵌入。处理多层结构的表示学习问题的少数研究依赖于层间链接已知的强假设，这限制了可能的应用范围。在这里，我们提出了MultiSAGE，这是GraphSAGE算法的一个推广，它允许嵌入多路复用网络。我们表明，MultiSAGE能够重建层内和层间的连接，优于GraphSAGE，这是专为简单的图形。接下来，通过一个全面的实验分析，我们揭示了嵌入的性能，无论是在简单的和多路复用的网络，显示无论是图的密度或链接的随机性强烈影响嵌入的质量。
2022-06-24 cs.DM cs.LG cs.SI
Multilink Communities of Multiplex Networks
多重网络描述了大量复杂的社会、生物和交通网络，其中一组节点通过不同性质和内涵的链接连接在一起。在这里，我们揭示了丰富的社区结构的多路复用网络相关联的社区，每个多链路的特点之间存在的任何两个节点的多路复用网络的连接。我们的社区检测方法揭示了丰富的多重网络的中尺度结构和它们的多样性之间的相互作用。例如，一些节点可以属于许多层和少数社区，而其他节点可以属于少数层但许多社区。此外，多链路社区可以由不同数量的相关层形成。这些结果指出，在中观上，复用网络的可压缩性可能存在很大的差异。
2017-06-27 cs.SI physics.soc-ph
Centralities of Nodes and Influences of Layers in Large Multiplex Networks
我们制定并提出了一个算法（MultiRank）的节点和层在大型复用网络的排名。MultiRank考虑了数据的全复用网络结构，并利用了网络在节点和层方面的双重性质。层（影响）的中心性和节点的中心性由一组耦合方程确定。其基本思想是为那些从具有高度影响力的层和已经处于中心的节点接收链接的节点分配更多的中心性。如果这些层中高度中心的节点是活跃的，那么这些层的影响力会更大。该算法适用于有向/无向以及加权/非加权复用网络。我们讨论了MultiRank在多重网络数据集的三个主要例子中的应用：欧洲航空运输多重网络，Pierre Auger多重合作网络和FAO多重贸易网络。
2017-03-16 cs.SI physics.soc-ph
Emergence of overlap in ensembles of spatial multiplexes and statistical mechanics of spatial interacting networks ensembles
空间网络的范围从大脑网络到交通网络和基础设施。近年来，交互网络和多路复用网络引起了人们极大的关注，因为如果不同时处理多个网络，就无法理解它们的动态性和鲁棒性。在这里，我们提出了最大熵集成的空间复用和空间相互作用的网络，可以用来模拟空间多层网络结构，并建立空模型的真实数据集。我们发现，空间复用自然发展的链接，许多复用，可以显着影响发生在他们身上的动态显着的一个值得注意的属性的显着重叠。此外，我们的特点合奏的空间相互作用的网络，我们分析了在印度相互作用的机场和铁路网络的结构，显示空间的影响，在确定的链接概率。
2015-04-29 cond-mat.dis-nn cs.SI physics.soc-ph
Heuristics for Link Prediction in Multiplex Networks
JPMorgan AI Research（摩根大通人工智能研究院）
链接预测，或对实体之间未来或缺失的连接的推断，是网络分析中的一个被充分研究的问题。在具有单一类型连接的普通网络中，存在用于链接预测的多种算法。然而，多路复用网络或具有多种类型连接的网络中的链接预测不是一个很好理解的问题。我们提出了一个新的一般框架和三个家庭的多路复用网络链接预测，是简单的，可解释的，并利用丰富的连接类型的相关结构，存在于许多现实世界的网络。我们进一步推导出一个理论阈值，用于确定何时使用不同的连接类型的基础上的链接，重叠与Erdos-Renyi随机图的数量。通过模拟和现实世界的科学合作，运输和全球贸易网络的实验，我们证明，所提出的算法显示出更高的性能与丰富的连接类型的相关性结构，并显着优于其基线算法的普通网络与一个单一的连接类型。
2020-04-09 cs.LG cs.SI stat.ML
A Novel Location Free Link Prediction in Multiplex Social Networks
近几十年来，社交网络的出现使得互联网服务提供商（例如，Facebook、Twitter和Uber）取得巨大的商业成功。链接预测被认为是构建社交网络拓扑结构并保持其不断发展的常见做法。传统上，链接预测方法依赖于用户的位置信息，其不时地遭受信息泄漏。为了解决这个问题，智能设备公司（例如，苹果公司）不断收紧其隐私政策，阻止互联网服务提供商获取位置信息。因此，在保证预测精度的前提下，设计与位置无关的链接预测方法具有重要意义。针对复杂社交网络，提出了一种新的无位置链接预测方法。在真实数据集上的实验表明，我们的位置无关的链接预测方法的精度提高了10%。
2022-12-13 cs.PF cs.SI
Extracting Information from Multiplex Networks
多路复用网络是一种广义网络结构，它能够描述由具有不同内涵的链路连接的同一组节点的网络。多重网络无处不在，因为它们也描述了社会，金融，工程和生物网络。将我们分析复杂网络的能力扩展到多重网络结构，可以大大提高从大数据中提取信息的水平。因此，刻画多路网络中节点的中心性，寻找新的方法来解决多路网络中的推理问题，是网络科学的基本问题。在本文中，我们讨论的相关性的多路复用PageRank算法测量多层网络中的节点的中心性，我们最近推出的指标函数$\widetildeΘ^{S}$描述他们的中尺度组织和社区结构的特点的效用。作为研究这些措施的工作示例，我们考虑了三个用于社会科学的多重网络数据集。
2016-05-16 cs.SI physics.soc-ph
Link Prediction and Navigability of Multiplex Energy Networks
该研究构建比利时五层电力—天然气多层网络，改进 Jaccard 与 Adamic-Adar 链路预测，并评估随机游走和策略性加边对可导航性的影响。
2025-03-18 cs.SI cs.SY eess.SY
Reconstruction of multiplex networks with correlated layers
University of Leiden（莱顿大学）
本文提出一种方法，通过结合单层网络的边际属性和更高阶属性，重建具有相关层的多乘积网络，以有效连接多层信息。
2017-09-12 cs.SI physics.soc-ph
Dynamical leaps due to microscopic changes in multiplex networks
多重范式的最新发展包括努力理解在这些网络上运行的过程的动态上存在的几个层所发挥的作用。讨论了与更丰富的拓扑相关的新现象的可能存在，并系统地搜索了这些差异的例子。在这里，我们表明，层的互连性可能会对网络中动态运行的速度产生重要影响，并且微观变化（例如添加一个单一的层间链路）会显着影响到达全局稳态。作为一个实际的验证，这些结果与频谱技术得到确认与仓本动力学的同步一致延迟后，增加了单一的层间链路。
2016-04-04 cs.SI nlin.AO physics.soc-ph
Clustering determines the dynamics of complex contagions in multiplex networks
我们提出了在集群多重网络中的广义复杂传染病的数学分析，为易感染-感染-恢复（SIR）类动力学。该模型旨在理解影响力的扩散，或任何其他传播过程意味着阈值动态，在设置具有显着集群的互连网络。假设传染足够普遍以考虑内容依赖线性阈值模型，其中每个链接类型具有不同的权重（用于传播影响），其可以取决于内容（例如，产品，谣言，政治观点）正在传播。使用生成函数的形式主义，我们确定的条件，概率和期望的大小紧急全球级联。这种分析提供了一个概括以前的方法，特别是在有关的扩散和渗流的问题是有用的。结果表明，网络的聚类系数与其平均度之间存在非平凡的依赖关系。特别是，几个相变示出发生依赖于这些描述符。一般来说，我们的研究结果表明，增加集群的概率降低了全球级联和他们的大小，但这种趋势与平均度的变化。存在着一个平均度，从这个平均度开始，聚集倾向于传染的概率和规模。通过比较多重网络及其单重投影上的复杂传染动力学，我们证明了忽略链接类型和聚合网络层可能会导致关于传染动力学的不准确结论，特别是当层间度的相关性很高时。
2016-08-29 cs.SI physics.soc-ph
Multiplex Influence Maximization in Online Social Networks with Heterogeneous Diffusion Models
在线社交网络，通过重叠的用户连接在一起的动机，我们研究的影响力最大化问题的多元化，每一层赋予自己的影响力扩散模型。这个问题是一个新版本的影响力最大化问题，需要新的分析，将在每一层的多路复用的传播类型。我们确定了一个新的属性，广义确定性的子模块，当满足在每一层的传播，确保传播的复用整体是子模块-在这种情况下，我们制定ISF，贪婪算法与近似比$(1 - 1/e)$。由于包括多个OSN的复用的大小可能包含数十亿用户，我们制定了一个算法KSN，并行运行在复用的每一层上。KSN将用于单层网络上的影响力最大化问题的$α$近似算法A作为输入，并且对于任意$ε> 0$具有近似比$\frac{(1-ε)α}{(o+1)k}$，$o$是重叠用户的数量，并且$k$是复用中的层的数量。在真实和合成多路复用上的实验验证了所提出的算法对异构多路复用中的影响力最大化问题的有效性。ISF和KSN的实现可在http://www.alankuhnle.com/papers/mim/mim.html上获得。
2018-02-05 cs.SI physics.soc-ph
Spreading of localized attacks in spatial multiplex networks
许多现实世界的多层系统，如关键基础设施，是相互依赖的，并嵌入在空间中的特征长度的链接。它们也容易受到局部攻击或故障的影响，例如恐怖袭击或自然灾害，这些攻击或故障会影响给定半径内的所有节点。在这里，我们研究了局部化攻击对两层空间复用网络的影响。我们发现了一个亚稳区域，其中大于临界尺寸的局部化攻击引起成核转变，因为故障的级联在整个系统中传播，导致其崩溃。我们发展了一个理论来预测临界攻击规模，并发现它具有新颖的缩放行为。我们进一步发现，在这些多重系统中的本地化攻击可以诱导一个以前未观察到的随机和空间级联的组合。我们的研究结果表明，在现实世界中的相互依赖的网络的重要脆弱性，并显示新的空间网络的理论特征。
2017-04-02 cs.SI physics.soc-ph
Network structural perturbation against interlayer link prediction
层间链路预测的目的是在复用网络的不同层上匹配相同的实体。现有的研究试图从网络结构、属性特征及其组合等方面进行更准确、更有效或更一般性的预测。很少有人分析层内链接的影响。也就是说，很少有工作研究的骨干结构，可以有效地保持预测的准确性，同时处理较少数量的层内链接。它可用于研究哪些类型的层内链接对于正确预测最重要。是否存在任何层内链接，其存在会导致预测性能比不存在时更差，以及如何以最小的成本攻击预测算法？为此，提出了两种网络结构摄动法。对于整个网络的结构信息完全已知的情况下，我们提供了一个全局扰动策略，赋予不同类型的层内链路不同的扰动权重，然后选择一个预定比例的层内链路删除根据权重。相反，如果这些信息不能一次获得，我们设计了一个有偏随机游走过程，局部扰动策略，执行扰动。四种层间链路预测算法在不同的真实世界和人工扰动的复用网络上进行。我们发现，与小度节点连接的层内链接对预测精度的影响最大。与大度节点连接的层内链路可能对层间链路预测产生副作用。
2022-05-18 cs.SI physics.soc-ph
Diffusion dynamics on multiplex networks
我们研究的时间尺度相关的扩散过程中发生的多路复用网络，即在一组网络连接通过互联层。为此，我们提出了一个超拉普拉斯矩阵的建设，其中包括一个维度提升的拉普拉斯矩阵的每一层的复用网络。我们使用微扰分析揭示解析结构的特征向量和特征值的完整的网络中的各个层的光谱特性。超拉普拉斯算子的频谱使我们能够理解多重网络之上的扩散过程的物理学。
2012-12-03 cond-mat.stat-mech cs.SI physics.soc-ph
Efficient exploration of multiplex networks
有效的技术来导航网络与本地信息的基本采样大规模的在线社会系统和检索资源的对等系统。偏置随机游动，即其运动对相邻节点的属性有偏置的游动，已经被大量利用来设计智能局部策略以探索网络，例如通过构建最大混合轨迹或通过允许节点的几乎均匀采样。在这里，我们介绍和研究有偏随机游走的多重网络，图形中的节点是相关的，通过不同类型的链接组织在不同的和相互作用的层，我们提供了分析解决方案，其长期的属性，包括固定的占用概率分布和熵率。我们专注于度偏置随机游走和区分两类行走，即那些其转移概率取决于一些参数，这是广泛的层数，和那些其运动取决于内在的多重属性的相邻节点。我们分析了多重网络的结构对步行者稳态行为的影响，我们发现异质度分布以及层间度相关性和边缘重叠的存在决定了多重网络可以在多大程度上有效地探索有偏见的步行。最后，我们表明，在现实世界中的多路传输网络，有效的导航和弹性之间的权衡链路故障导致系统的扩散特性是定性不同的适当随机复用图。这一事实表明，多重性是现实世界系统建模中的一个重要组成部分。
2016-04-01 cond-mat.stat-mech cs.SI physics.soc-ph
Inter-layer Degree Correlations in Heterogeneously Growing Multiplex Networks
迄今为止，多路网络增长文献一直局限于均匀增长，其中每个新的传入节点建立的链路数量在各层之间是相同的。本文主要研究异质增长。我们首先分析了两个优先增长层的情况下，找到一个封闭形式的层间度分布的表达式，并证明了非平凡的层间度的相关性出现在稳定状态。然后，我们将重点放在均匀增长的情况下。令人惊讶的是，层间相关性也出现在随机情况下。此外，我们观察到，平均层2度的节点，其层1度是k，是相同的均匀和优先计划的表达式。在整个过程中，使用蒙特卡罗模拟证实了理论预测。
2015-06-20 cond-mat.stat-mech cs.SI physics.soc-ph
Quantifying dynamical spillover in co-evolving multiplex networks
多路复用网络（具有不同类型链路但共享一组公共节点的多个网络的系统）在广泛的领域中自然出现。理论研究表明，在这样的多重网络中，层间的相关边缘动力学可以对动力学过程产生深远的影响。然而，如何从现实世界的系统中提取相关性是一个突出的挑战。在这里，我们提供了一个基于马尔可夫链的空模型来量化多重网络纵向数据中边缘动态的相关性。我们在两个不同的数据集上使用这种方法：民族国家之间的贸易和联盟网络，以及开源软件开发人员之间的电子邮件和共同提交网络。我们建立了“动态溢出”的存在，显示相关的形成（或删除）的不同类型的边缘系统的演变。随着时间的推移，动态的细节提供了对潜在因果路径的洞察。
2015-05-18 cond-mat.dis-nn cs.SI physics.soc-ph
Growing Multiplex Networks with Arbitrary Number of Layers
本文主要研究日益增长的多路复用网络的问题。目前，文献中关于增长型多重网络的联合度分布的结果都是两层网络的结果，且仅限于均匀增长的特殊情况，且仅限于状态状态（即无限大的极限）.在本文中，我们得到了非均匀增长的任意层数的多重网络在稳态下的联合度分布的封闭解。异构增长意味着每个传入节点在不同层中建立不同数量的链路。我们考虑的是均匀增长和优先增长。然后，我们扩展到任意时间的均匀增长机制的分析。我们得到了一个封闭形式的解的时间依赖的联合度分布的增长的多重网络与任意的初始条件。在整个过程中，理论研究结果与蒙特卡罗模拟证实。研究结果揭示了初始网络对不断增长的多重网络的瞬态动力学的影响，并朝着表征不断增长的多重网络的连接性的时间变化以及预测其未来的结构特性迈出了一步。
2015-10-07 cond-mat.stat-mech cs.SI physics.soc-ph
Effect of Perturbation and Topological Structure on Synchronization Dynamics in Multilayer Networks
本文研究多层网络中链路权重扰动和层间权重异质性对同步动力学的影响，发现层内扰动改变代数连通度，而层间权重变化显著影响同步稳定性与同步时间。
2024-08-11 cs.SI
RCoCo: Contrastive Collective Link Prediction across Multiplex Network in Riemannian Space
North China Electric Power University（华北电力大学）；State Grid Handan Electric Power Supply Company（国网邯郸供电公司）；Capital Normal University（首都师范大学）；Beijing Institute of Electronic Science and Technology（北京电子科技学院）；Anhui University of Science and Technology（安徽理工大学）；Beihang University（北京航空航天大学）
本文提出 RCoCo，利用黎曼流形、曲率感知 κ-GAT 与网络内/跨网络对比学习，联合完成多重网络中的集体链接预测。
2024-03-04 cs.LG cs.SI
Dynamical origins of the community structure of multi-layer societies
社会结构是个人管理各种不同社会关系的结果。社会可以表现为高度结构化的动态多元网络。在这里，我们研究了一个大规模的社会多元化网络的人类社会，互动在一个大型多人在线游戏的虚拟世界中的特定社区结构的动态起源。在那里，我们发现不同社会行为的社区结构存在实质性差异，这些差异由多元化中的各种网络层表示。社区规模分布要么类似于幂律，要么似乎集中在50个个体的大小。为了理解这些观察结果，我们提出了一个选民模型，是围绕三元闭包的原则。它明确地模拟了跨多路复用的不同层的节点和链路动态的共同进化。根据链接和节点的波动率，该模型表现出异常破碎的碎片过渡，其中一个层的碎片从一个大的组件成许多小的组件。观察到的社区规模分布与模型中预测的破碎化是很好的协议。我们表明，经验成对的网络层的相似性，在链接重叠和程度的相关性，实际上符合模型。这表明社会分裂的几个详细特征可以追溯到三重封闭过程。
2016-02-29 cond-mat.stat-mech cs.SI physics.soc-ph
Network robustness of multiplex networks with interlayer degree correlations
我们研究了多路复用网络的鲁棒性，包括多层不同类型的链接，专注于不同层中的节点的度之间的相关性的作用。我们使用生成函数的形式主义，以解决各种概念的网络鲁棒性相关的多路复用网络，如弹性的普通和相互连接下的随机或有针对性的节点删除，以及boconnectivity。我们发现关联耦合可以以不同的方式影响多重网络的结构鲁棒性。例如，对于最大相关双工网络，巨分支中的所有节点对通过至少两个独立路径连接，并且网络结构对随机故障具有高度弹性。相比之下，反相关双工网络一方面对高度节点的有针对性的攻击具有鲁棒性，但另一方面它们容易受到随机故障的影响。
2014-04-09 cond-mat.stat-mech cs.SI physics.soc-ph
Feature-rich multiplex lexical networks reveal mental strategies of early language learning
University of Pisa（比萨大学）；ISTI (CNR)（意大利国家研究委员会信息科学与技术研究所）；University of Kansas（堪萨斯大学）；University of Exeter（埃克塞特大学）
人类头脑中的知识表现出二元矢量/网络性质。将单词建模为向量是自然语言处理的关键，而单词关联网络可以映射语义记忆的性质。我们调和这些范式-分散在语言学，心理学和计算机科学-通过引入功能丰富的多功能词汇（FERMULEX）网络。这种新的框架融合了网络中的结构相似性和词的向量特征，可以组合或独立探索。相似性模型跨语义/句法/语音知识方面的异质词关联。词汇的多维特征嵌入丰富了词汇，包括频率、习得年龄、长度和多义性。这些方面使认知知识的前所未有的探索。通过CHILDES数据，我们使用FERMULEX网络来模拟1000名18至30个月的幼儿的规范语言习得。相似性和嵌入通过一致性来捕获词的同质性，一致性通过距离和特征来测量连续混合。一致性挖掘出一个语言核心的频繁/多义/短名词和动词的关键基本句子生产，支持最近的证据表明，儿童的句法结构出现在30个月。这个内核对于网络核心检测和仅特征聚类是不可见的：它来自单词的双重向量/网络性质。我们的定量分析揭示了两个关键策略在早期的单词学习。建模字收购FERMULEX拓扑结构上的随机行走，我们强调非均匀填充的沟通发展库存（CDIs）。基于一致性的步行者导致准确（75%），精确（55%）和部分回忆良好（34%）的预测早期单词学习的CDIs，提供定量支持以前的实证研究结果和发展理论。
2022-01-13 cs.CL cs.SI
Layer Imbalance Aware Multiplex Network Embedding
多路网络嵌入是一种跨网络层联合学习节点低维表示的有效技术。然而，层之间的边缘的数量可以显著变化。这种数据不平衡将导致性能下降，特别是在稀疏层，由于学习偏差和其他层中的不相关或冲突的数据的不利影响。本文提出了一种层不平衡感知的多路复用网络嵌入（LIAMNE）方法，该方法基于目标层嵌入空间中节点的相似性对辅助层中的边缘进行欠采样，以实现边缘分布的平衡，并最小化与目标层不太相关的噪声关系。具有不同程度的层不平衡的真实世界数据集用于实验。结果表明，LIAMNE显着优于几个国家的最先进的复用网络嵌入方法在目标层的链接预测。同时，整个多路复用网络的全面代表性是不妥协的抽样方法，其性能评估的节点分类任务。
2022-12-30 cs.SI
Weighted Multiplex Networks
网络科学最重要的挑战之一是量化复杂网络结构中编码的信息。当网络具有多元化的性质时，将随机性与组织原则分开就更加困难了。多路复用网络是$N$节点的多层系统，这些节点可以在多个交互和共同进化的层中链接。在这些网络中，如果单独分析单个层，可能无法捕获相关信息。在这里，我们表明，这种部分分析层未能捕捉到重要的权重和复杂的多重网络的拓扑结构之间的相关性。为此，我们研究了两个加权的多重合著和引用网络，包括在美国物理学会的作者。我们发现，在这些网络的权重是强烈相关的多重结构，并提供实证证据，有利于研究多重网络的加权措施，如多强度和逆多参与比的优势。最后，我们介绍了一个理论框架的基础上的熵的多路合奏量化的信息存储在多路复用网络，将保持未被检测到的，如果单独分析的单层。
2013-12-23 cond-mat.dis-nn cond-mat.stat-mech cs.DL
Hidden geometric correlations in real multiplex networks
真实的网络常常构成更大更复杂系统复杂系统的相互作用的部分。从互联网到结构和功能性大脑网络，不同领域都可以找到这样的例子。在这里，我们表明，这些多路复用系统不是随机组合的单个网络层。相反，它们是以特定的方式组织的，这些方式由各个层之间隐藏的几何相关性决定。我们发现，这些相关性是强在不同的真正的复用，并形成一个关键的框架，回答许多重要的问题。具体来说，我们表明，这些几何相关性有利于：（i）多维社区的定义和检测，这是同时在多个层中相似的节点集;（ii）准确的跨层链接预测，其中一层中的连接可以通过观察另一层的隐藏几何空间来预测;以及（iii）仅使用局部知识在多层系统中进行有效的目标导航，只有当几何相关性足够强时，其才优于单层中的导航。我们的研究结果揭示了真正的多路复用背后的基本组织原则，可以在不同的领域有重要的应用。
2017-02-08 cs.SI physics.data-an physics.soc-ph
Influence Robustness of Nodes in Multiplex Networks against Attacks
本文提出MultiCoreRank度量方法计算多重网络节点全局影响力，并发现同配网络比中性和异配网络具有更高的抗攻击弹性。
2023-10-06 cs.NI cs.SI physics.soc-ph
Layer entanglement in multiplex, temporal multiplex, and coupled multilayer networks
复杂网络，如交通网络、社交网络或生物网络，通常通过仅表示一种类型的交互来捕获它们所建模的复杂系统。在现实世界的系统中，可能有许多不同的方面将实体连接在一起。这些可以使用多层网络来捕获，该网络将不同的交互模式结合在一个模型中。多层网络中的耦合可能表现出不同的属性，这些属性可能与它们所建模的数据的性质（或与时间相关数据中的事件）有关。我们假设，这些属性可能反映在层交织的方式。在本文中，我们研究了这些通过棱镜层纠缠耦合多层网络。我们测试了6个不同学科（社会、遗传、运输、合著、贸易和神经网络）的30多个现实网络。我们进一步提出了一个随机发生器，显示在1，329，696合成耦合多层网络的基本层纠缠和过渡耦合纠缠的可比模式。我们的实验证明了不同学科的层纠缠的差异，甚至提出了纠缠强度和同质性之间的联系。我们还研究了3个真实世界时间数据集的纠缠，显示纠缠活动在其他网络活动之前可能会增加。
2020-10-15 cs.MA cs.SI physics.soc-ph
MPXGAT: An Attention based Deep Learning Model for Multiplex Graphs Embedding
University of Catania（卡塔尼亚大学）；Central European University（中欧大学）
本文提出基于注意力机制的多层图嵌入模型MPXGAT，利用层内与层间连接提升链路预测性能，并在多个基准数据集上验证其优于现有最优算法。
2024-03-28 cs.DM cs.LG cs.SI
Deep Partial Multiplex Network Embedding
Facebook AI（脸书人工智能）；Santa Clara University（圣克拉拉大学）；Google Research（谷歌研究院）；Meituan NLP Center（美团自然语言处理中心）；Sun Yat-sen University（中山大学）；Rochester Institute of Technology（罗切斯特理工学院）
网络嵌入是学习网络中节点的低维表示的一种有效技术。现实世界的网络通常是多路复用的，或者具有来自不同关系的多视图表示。近年来，对复用数据的网络嵌入的兴趣日益增加。然而，大多数现有的多路复用方法假设数据在所有视图中是完整的。但在实际应用中，常常会出现每个视图丢失部分数据，从而导致部分复用数据的情况。本文提出了一种新的深度部分复用网络嵌入方法来处理不完整数据。特别地，网络嵌入通过同时最小化与自动编码器神经网络的深度重建损失来学习，通过公共潜在子空间学习来加强视图之间的数据一致性，并且通过图拉普拉斯算子来保持同一网络内的数据拓扑结构。我们进一步证明了学习的嵌入的正交不变性，并连接我们的方法与二进制嵌入技术。四个多路复用基准测试的实验表明，该方法优于几个国家的最先进的方法在节点分类，链接预测和聚类任务的性能。
2022-03-05 cs.LG cs.SI
Graph Bayesian Optimization for Multiplex Influence Maximization
School of New Media and Communication, Tianjin University（天津大学新媒体与传播学院）；Department of Computer Science and Engineering, Mississippi State University（密西西比州立大学计算机科学与工程系）
本文针对多重信息交互扩散场景提出多重影响力最大化问题，并设计图贝叶斯优化框架GBIM，结合全局核化注意力消息传递与贝叶斯线性回归构建可扩展代理模型，实验验证其有效性。
2024-03-25 cs.LG cs.SI
Multiplex Heterogeneous Graph Convolutional Network
Ocean University of China（中国海洋大学）；The University of Hong Kong（香港大学）；Shandong University of Science and Technology（山东科技大学）
异构图卷积网络在处理异构网络数据的各种网络分析任务（范围从链接预测到节点分类）中获得了极大的普及。然而，现有的研究大多忽略了多类型节点间的关系异构性以及节点嵌入时元路径中关系重要性的差异，难以捕捉不同关系间的异构结构信号。为了解决这一问题，本文提出了一种用于异构网络嵌入的多路异构图卷积网络（MHGCN）。我们的MHGCN可以自动学习有用的异构元路径的相互作用，通过多层卷积聚合在多个异构网络中的不同长度。此外，我们有效地集成多关系结构信号和属性语义到学习节点嵌入与无监督和半监督学习范例。在五个具有各种网络分析任务的真实世界数据集上进行的广泛实验表明，MHGCN在所有评估指标方面都优于最先进的嵌入基线。
2022-08-12 cs.AI cs.LG cs.SI
Multiplex Hypergraph Modeling of Higher Order Structures in Psychometric Networks
Sapienza University（罗马第一大学）；University of Salerno（萨莱诺大学）；CNR Consiglio Nazionale delle Ricerche, IAC Istituto per le Applicazioni del Calcolo（意大利国家研究委员会计算应用研究所）
本文提出多乘积超图框架，用于分析心理网络中高阶交互，通过Ω信息量衡量冗余与协同，揭示诊断间的高阶组织结构及跨诊断核心特征。
2026-04-24 cs.IT cs.SI math.IT
