Eigenvector-Based Centrality Measures for Temporal Networks
许多中心性测度被用来量化时间无关网络中节点的重要性，其中许多测度可以表示为某个矩阵的首特征向量。随着随时间变化的网络数据的可用性越来越高，重要的是将这种基于特征向量的中心性度量扩展到时间依赖的网络。在本文中，我们介绍了一个原则性的推广网络中心性措施，是有效的任何特征向量为基础的中心。我们将一个具有N个节点的时间网络看作是一系列T层，这些层在不同的时间窗口内描述网络，我们将这些层的中心性矩阵耦合到一个大小为NTxNT的超中心性矩阵中，该矩阵的主特征向量给出了每个节点i在每个时间t的中心性。我们将该特征向量及其分量称为联合中心性，因为它反映了节点i和时间层t的重要性。我们还介绍了边际和条件中心的概念，这有利于随着时间的推移中心轨迹的研究。我们发现，层之间的耦合强度是重要的，以确定多尺度性能的中心，如本地化现象和时间尺度的中心变化。在强耦合制度，我们推导出的时间平均的中心，这是由零阶项的奇异摄动展开的表达式。我们还研究了一阶项，以获得一阶移动分数，它简洁地描述了节点的中心性随时间变化的幅度。作为例子，我们将我们的方法应用于三个经验时间网络：美国博士。数学交流，好莱坞黄金时代顶级演员之间的关系，以及美国最高法院判决的引用。
2016-09-21 cs.SI nlin.AO physics.data-an
Predicting COVID-19 Infections Using Multi-layer Centrality Measures in Population-scale Networks
本文利用荷兰超百万人的多层网络数据研究中心性度量能否预测 COVID-19 感染风险与时间，发现其在模拟模型中有效但与真实检测数据无关联。
2023-10-31 cs.SI physics.soc-ph stat.AP
ModuLand plug-in for Cytoscape: determination of hierarchical layers of overlapping network modules and community centrality
ModuLand插件为Cytoscape用户提供了一种算法，用于确定广泛重叠的网络模块。此外，它还识别了模块的几个分层，其中较高分层的元节点表示较低层的模块。该工具分配模块核心，预测整个模块的功能，并确定桥接两个或多个模块的关键节点。该插件具有详细的基于JAVA的图形界面，带有各种颜色选项。ModuLand工具可以在Windows，Linux或Mac OS上运行。我们展示了它在蛋白质结构和代谢网络上的使用。可用性：插件及其用户指南可以从http://www.linkgroup.hu/modules.php免费下载。联系方式：csermely. med.semmelweis-univ.hu补充信息：补充信息可在生物信息学在线获得。
2012-12-02 cond-mat.dis-nn cs.SI physics.comp-ph
Node and Edge Centrality based Failures in Multi-layer Complex Networks
多层复杂网络（MLCN）出现在运输、供应链等领域，MLCN的故障会导致系统的重大中断。一些研究侧重于不同类型的故障，如级联，其原因和避免方法。本文考虑了一种特定类型的MLCN的故障，其中较低层提供服务的高层没有跨层的相互作用，典型的计算机网络。用相同的节点集构造了一个三层MLCN，其中每层具有不同的特征，最底层是Erdos-Renyi（ER）随机图，节点之间的最短路径跳数为高斯，中间层是ER图，其边数比前一层高，最顶层是无标度图，其边数甚至更高。边缘和节点故障被认为是。在静态批处理模式下，故障发生的顺序是边和节点的中心度递减，当中心度随故障的进展而动态变化时，故障发生的顺序是边和节点的中心度递减。研究了节点或边失效后三层网络的平均最短路径长度（ASPL）、总最短路径数（TSPC）和总边数（TNE）的出现规律。广泛的模拟表明，除了一个参数显示明确的退化模式。令人惊讶的是，对于所有类型的故障，中间层的ASPL开始显示出超过某个点的混乱行为。
2022-12-03 cs.SI physics.soc-ph
Tempus Fugit: The Impact of Time in Knowledge Mobilization Networks
社交网络的时间成分在其分析中经常被忽略，并且统计测量通常在网络的“静态”表示上执行。因此，重要性度量（例如中介中心性）无法揭示所涉及实体的任何时间角色。我们的目标是开始填补这一限制，提出一种形式的时间介数措施，并利用它来分析知识动员网络。我们表明，这种措施，这需要明确考虑到时间，使我们能够检测中心的角色，完全隐藏在经典的统计分析。特别是，我们发现节点的静态中心被认为是微不足道的，但其时间的作用，而不是重要的，以加速网络中的动员流。我们还观察到相反的行为，通过检测具有高静态中心性的节点，其作为时间桥梁的作用是非常低的。通过揭示重要的时间角色，本研究是更好地理解时间在社交网络中的影响的第一步，并为进一步研究开辟了道路。
2015-05-11 cs.SI physics.soc-ph
Supracentrality Analysis of Temporal Networks with Directed Interlayer Coupling
我们描述的时间网络中的中心性使用超中心性框架来研究中心性轨迹，其特征在于节点的重要性如何随时间变化。我们研究了基于特征向量的中心性的超中心性概括，这是一个针对时间无关网络的中心性度量家族，包括PageRank、中心和权威分数以及特征向量中心性。我们从一系列邻接矩阵开始，每个邻接矩阵代表网络在不同时间点或时间间隔的一个时间层。将时间层上的中心性矩阵与加权的层间边缘耦合产生\emph{supracentrality matrix} $\mathbb{C}(ω)$，其中$ω$控制中心性轨迹随时间变化的程度。我们可以灵活地调整层间耦合的权重和拓扑结构，以满足不同的科学应用。$\mathbb{C}(ω)$的主特征向量的条目表示\emph{joint centralities}，其同时量化每个时间层中的每个节点的重要性。受概率论的启发，我们还计算了\emph{marginal}和\emph{conditional centralities}。我们说明了如何调整时间层之间的耦合，以调整节点的中心性轨迹受最旧和最新时间层影响的程度。我们支持我们的研究结果分析的限制，小和大$ω$。
2019-09-18 cs.NA cs.SI math.NA
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
Local Centrality Minimization with Quality Guarantees
针对局部中心性最小化问题，提出两种具有可证明近似保证的多项式时间算法，在真实网络实验中分别展现出高可扩展性与强对抗鲁棒性。
2024-02-12 cs.DS cs.SI
Degree Centrality Algorithms for Weighted Multilayer Networks (or w-MLNs)
针对现有多层网络分析会丢失结构与语义信息的问题，该研究提出基于解耦框架的加权同构多层网络度中心性启发式算法，在保证准确性的同时大幅提升计算效率，验证了算法的可扩展性与有效性。
2026-08-26 cs.DB cs.DM cs.IR
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
Eigenvector centrality of nodes in multiplex networks
我们将特征向量中心性的概念扩展到多路复用网络，并引入了几个替代参数，量化了节点在多层网络系统中的重要性，包括向量型中心性的定义。此外，我们严格表明，在合理的条件下，这样的中心性措施存在，是唯一的。计算机实验和模拟表明，所提出的措施提供了显着不同的结果时，适用于相同的多重结构，并突出了非平凡的不同措施的中心性之间的关系。
2013-09-04 cs.SI physics.soc-ph
HellRank: A Hellinger-based Centrality Measure for Bipartite Social Networks
在社交网络中，特别是在二分模式下，测量中心性带来了一些挑战，例如需要充分了解网络拓扑结构以及缺乏对前k个行为代表用户的正确检测。在本文中，为了克服上述具有挑战性的问题，我们提出了一个准确的中心性措施，称为HellRank，以确定中心节点的二分社交网络。HellRank基于二分网络同一侧的两个节点之间的Hellinger距离。我们从理论上分析了Hellinger距离对二分网络的影响，并找到了这个距离的上界和下界。HellRank中心性度量的计算可以通过让每个节点仅使用其直接邻居的本地信息来分布，因此不需要中心实体来完全了解网络拓扑结构。我们通过实验评估了HellRank度量与现实网络中其他中心性度量的相关性。结果表明，根据Kendall和Spearman秩相关系数，HellRank与其他传统度量之间存在部分排序相似性。
2017-03-17 cs.CY cs.SI physics.soc-ph
Control centrality and hierarchical structure in complex networks
我们引入控制中心的概念来量化单个节点控制有向加权网络的能力。我们计算了几个实际网络的控制中心分布，发现它主要取决于网络的度分布。我们严格证明，在一个有向网络没有回路的控制中心的节点是唯一的确定其层指数或拓扑位置的底层层次结构的网络。受一般有向网络中控制中心性与层次结构之间的深刻联系的启发，我们设计了一种有效的攻击策略来对抗恶意网络的可控性。
2012-03-12 cond-mat.stat-mech cs.SI physics.soc-ph
Unified Framework for Complex Graph-Data: Introducing the Hybrid Layered Network Model
本文提出混合分层网络（HLN）统一建模复杂图数据，证明其涵盖同质、异质及多层网络，并给出高效编码、合成算法及结构度量，实验显示其与GNN结合可提升链接预测。
2025-02-28 cs.SI
A novel DFS/BFS approach towards link prediction
本文提出一种将中心性度量与经典机器学习相结合的图预测方法用于链接预测，实验表明在随机选节点和度中心性条件下效果显著。
2024-09-18 cs.DS cs.SI
Extrema Analysis of Node Centrality in Weighted Networks
网络科学的一个非常有趣的问题是评估给定网络的复杂程度。换句话说，这样的网络在多大程度上偏离了可以用来描述它的任何一般模式。在其他选择中，这些模式可以根据节点或边属性定义，作为中心性的各种模式之一。虽然有为加权图定义的中心性指数，但关于这个主题的讨论远未结束，特别是因为边权重在这方面的影响不仅在形式上而且在强度上都不同，这是迄今为止仍处于起步阶段的方法。对于前面提到的复杂性评估，情况更加严重：据我们所知，从加权图的中心性的角度来看，这在文献中从未得到过解决。本文详细介绍了一个丰富多彩的时尚一个健全的方法，涵盖这两个主题，以及实验证实其实用性和未来的趋势，在这方面。
2020-11-01 cs.SI
Distributed Identification of Central Nodes with Less Communication
研究了利用贴近中心度进行复杂网络中心节点的分布式检测。在网络分析中，贴近中心性起着至关重要的作用。准确评估接近中心性需要对网络有完整的了解;对于大型网络，这可能效率低下，因此应该近似接近中心性。分布式任务如领袖选举可以有效地利用高度中心化节点的中心性信息，但完整的网络信息在本地是不可用的。本文通过修剪几乎肯定不是最中心的节点来改进You等人[24]的分布式中心性计算算法。例如，在一个大型网络中，离开节点不能发挥中心作用。这导致减少了为确定剩余节点的中心性而交换的消息的数量。我们的研究结果表明，我们的方法减少了网络中包含许多prunable节点的消息的数量。我们的研究结果还表明，减少消息的数量可能
2021-06-26 cs.SI
A Tensor-Based Framework for Studying Eigenvector Multicentrality in Multilayer Networks
中心性被广泛认为是洞察复杂网络结构和功能的最关键的措施之一。虽然已经为单层网络提出了各种中心性度量，但是用于研究多层网络中的中心性的一般框架（即，多中心）仍然缺乏。在这项研究中，一个基于张量的框架被引入到研究特征向量多中心性，这使得量化层间影响对多中心性的影响，提供了一个系统的方法来描述多中心性如何在不同的层之间传播。该框架可以利用有关层之间相互作用的先验知识，以更好地表征不同场景的多中心性。通过两个有趣的例子来说明如何通过选择合适的层间影响函数来模拟多层影响，并设计计算特征向量多中心性的算法。应用该框架对几个经验多层网络进行了分析，结果证实该框架可以有效地量化层间影响和节点的多中心性。
2019-02-07 cs.SI physics.soc-ph
On Local and Global Centrality in Large Scale Networks
估计包括但不限于社交网络、生物网络、通信网络、新兴智能电网等的大规模网络中的有影响力的节点是基本感兴趣的主题。为了理解网络中节点的影响，一个经典的度量是中心性，其中有多个特定的实例，包括度中心性，接近中心性，介数中心性等等。到目前为止，识别具有高中心性度量的节点的现有算法在整个（或者更确切地说全局）网络上操作，导致高计算复杂性。在本文中，我们设计了有效的算法来确定介数中心在大规模网络的优势，这些大规模网络所表现出的模块化拓扑结构。简单地说，模块化拓扑是指整个网络似乎被划分为不同的模块（或集群或社区），其中模块内的节点（可能共享高度相似的配置文件）之间具有密集的连接，而跨模块的连接相对稀疏。使用一种新的适应Dijkstra的最短路径算法，并执行它在本地模块和模块之间的稀疏边缘，我们设计的算法，可以正确地计算介数中心比现有的算法快得多。据我们所知，我们是第一个利用大规模网络的模块化拓扑来解决中心性问题的工作，尽管这里我们主要将讨论限制在社交网络上。我们还提供了更多关于中心性的见解，以及我们的算法如何用于确定其他中心性度量。
2014-06-11 cs.SI physics.soc-ph
A New Framework for Centrality Measures in Multiplex Networks
这种复杂系统的非平凡结构使得分析它们的集体行为成为一个挑战。当信息跨网络分布时（例如，不同媒体中的通信网络）;在这种情况下，如果由于稀疏性而在每个网络内单独分析情况，则变得不可能具有完整或甚至部分的图片。多路复用网络非常适合通过保留与每个网络相关联的语义来对这类系统的复杂性进行建模。中心性度量是识别关键参与者的基础，但现有方法通常被设计为捕获系统的预定义方面，忽略或合并各个层的语义。
2018-02-07 cs.SI physics.soc-ph
Axioms for Centrality
给定一个社交网络，哪个节点更中心？这个问题已经在社会学、心理学和计算机科学中被问过很多次了。中心性指数（centrality indices）或排名（rankings）被提出来说明网络节点的重要性。在本文中，我们试图提供一个数学上健全的调查，从文献中已知的最重要的经典中心性措施，并提出了一个公理化的方法来建立他们是否真的在做他们已经被设计。我们的公理提出了一些简单的，基本的性质，一个中心性措施应该表现出来。令人惊讶的是，只有一个基于距离的新的简单度量，谐波中心性，才能满足所有公理;本质上，谐波中心性是对巴韦拉斯经典的接近中心性的修正，旨在以自然的方式考虑不可到达的节点。作为一个健全的检查，我们反过来检查每一个措施的镜头下的信息检索，利用国家的最先进的知识，在学科来衡量的有效性，在定位网页的各种索引是相关的查询。虽然在文献中有一些这种比较的例子，在这里，我们第一次考虑到中心性措施的基础上的距离，如接近度，在信息检索设置。结果与我们使用公理化方法收集的数据非常吻合。我们的研究结果表明，基于距离的中心性措施，这已被忽视的信息检索在过去的几年中，有利于频谱中心性措施，实际上是非常高的质量，此外，调和中心弹出作为一个优秀的通用中心性指标任意有向图。
2013-11-06 cs.SI physics.soc-ph
Centrality Measures for Networks with Community Structure
在大型网络中，了解网络结构，找出有影响力的节点是一个具有挑战性的问题。识别网络中最有影响力的节点在许多应用中可能是有用的，例如在流行病传播的情况下，在复杂网络的故意攻击期间对节点进行免疫。大量的研究是为了设计中心性的措施，可以有效地识别网络中最有影响力的节点。有两种主要的方法来解决这个问题：一方面，确定性策略，利用整个网络拓扑的知识，以找到有影响力的节点，而另一方面，随机策略是完全不可知的网络结构。中心性的措施，可以处理有限的知识的网络结构是必需的。事实上，在实践中，关于整个网络的全球结构的信息很少或难以获得。即使可用，网络的结构也可能太大，以至于计算全局中心性度量的计算成本太高。为此，提出了一个中心性的措施，只需要在社区一级的信息，以确定网络中的有影响力的节点。事实上，大多数现实世界的网络都表现出一种社区结构，可以有效地利用这种结构来发现有影响力的节点。我们进行了一个比较评估，突出的全球确定性的战略，以及随机策略与现有的和建议的确定性的社区为基础的战略。通过在具有社区结构的合成网络和真实网络上进行实验，评估了所提出方法的有效性。
2016-01-26 cs.SI physics.soc-ph
Judging a Book by Its Cover: The Effect of Facial Perception on Centrality in Social Networks
在社交网络中，容貌很重要。人们经常根据面部线索做出特征判断。虽然这些基于面部的印象缺乏证据来确定有效性，但它们至关重要，因为它们可能与基于人类网络的社会行为有关，例如寻求某些人的帮助，建议，约会和合作，因此它们可能与社交网络中的中心性有关。然而，几乎没有工作已经调查了明显的面部特征，影响网络中心性，尽管有大量的研究，包括个性和行为的中心位置的归因。在本文中，我们研究是否感知特征的基础上，面部外观影响网络中心性，探索社会网络形成的初始阶段，在一年级的大学住宅区。我们拍摄了居住在同一住宅区的新生参与者的脸部照片，并要求他们提名链接到不同网络的社区成员。然后，我们通过要求其他参与者对面部图像的三个主要属性进行评级来收集面部感知数据：支配力，可信度和吸引力。同时，我们提出了一个框架，以发现如何面部外观影响社交网络。我们的研究结果表明，感知的面部特征与网络中心性相关，并且它们对预测不同网络中的人的中心性具有指示性。我们的研究结果提供了关于面孔和网络中心性之间相互作用的心理学证据。我们的研究结果还为心理和社会网络技术的结合提供了见解，他们强调了面部偏见在提示和信号社会特征中的作用。据我们所知，我们是第一个探索面部感知对社交网络中心性的影响。
2020-08-09 cs.SI
The localization of non-backtracking centrality in networks and its physical consequences
非回溯矩阵的谱在确定网络系统的各种结构和动力学性质方面起着至关重要的作用，从键渗流和非复发性流行病过程的阈值，到社区结构，到节点重要性。在这里，我们计算的非回溯矩阵的最大特征值和相关的非回溯中心不相关的随机网络，发现表达式与数值结果非常吻合。然而，我们发现，相同的公式并不适用于许多现实世界的网络。我们确定的机制，负责这种违反本地化的非回溯中心的网络子图的形成是不太可能在不相关的网络，但在现实世界中的结构相当常见。利用这一知识，我们提出了一个启发式的广义公式的最大特征值，这是非常准确的所有网络的一个大的经验数据集。我们发现，这种新发现的本地化现象可以理解的失败的消息传递预测在许多现实世界的结构中的逾渗阈值。
2021-01-08 cs.SI physics.soc-ph
Most central or least central? How much modeling decisions influence a node's centrality ranking in multiplex networks
Kaiserslautern University of Technology（凯泽斯劳滕工业大学）
为了理解一个节点在多路复用网络中的中心性，可以聚合它在网络所有层中的中心性值。这需要对值进行规范化，以便在不同大小和顺序的网络上进行有意义的比较和聚合。在网络分析论文中，几乎从未讨论过归一化和聚合等预处理步骤的具体选择。在本文中，我们表明，即使坚持最简单的中心性指标（度），但使用不同的，经典的选择的规范化和聚合策略，可以把一个节点从最中心的是最不中心的。我们提出了我们的研究结果，通过使用不同的，经典的聚合策略的基础上三个多路复用网络之间的聚合运营商的规模。我们还介绍了节点对复用网络中标准化和聚合策略选择的敏感性的新可视化和表征。观察到的单个节点对聚合和标准化策略的特定选择的高度敏感性非常重要，特别是对于各种智能分析软件，因为它质疑对结果的解释。
2016-06-17 cs.AI cs.SI
Centrality in the Global Network of Corporate Control
世界各地的公司在一个庞大的全球公司控制网络中高度互联。本文研究了全球董事会互锁网络，覆盖了40万家公司，这些公司之间通过170万条边代表共享董事。主要的重点是中心性的概念，这是用来调查嵌入的公司从一个特定的国家在全球网络。研究结果在三个贡献。首先，据我们所知，我们第一次可以调查的拓扑结构，以及在全球范围内的公司网络的中心性的概念，允许有史以来最大的跨国比较联锁董事文献。除其他外，我们展示了极其相似的网络拓扑结构，但在经济突出指标和公司中心性之间的关系方面，各国之间存在很大差异。其次，我们引入了两个新的指标，特别适合比较分区的中心性排名的完整网络。使用中心性持久性的概念，我们建议衡量一个分区的中心性排名在整个网络中的持久性。在电路板互锁网络中，它使我们能够评估国家网络的足迹在全球网络中仍然存在的程度。接下来，中心性排名优势的度量告诉我们，一个分区（国家）在整个（全球）网络的中心性排名中是处于顶部还是底部更占优势。最后，比较这两个新的措施，不同国家之间的持久性和主导地位，使我们能够对这些国家进行分类的基础上，他们的嵌入性，衡量使用的关系，一个国家的公司在国家和全球范围内的董事会联锁网络的中心。
2016-05-26 cs.SI physics.soc-ph
Analyzing the network structure and gender differences among the members of the Networked Knowledge Organization Systems (NKOS) community
在本文中，我们从网络分析的角度分析了网络知识组织系统（NKOS）社区在2000年至2016年期间的主要研究成果。我们专注于在欧洲和美国NKOS研讨会上提出的论文，以及过去16年来关于NKOS的四个特刊。为此，我们已经生成了一个开放的数据集，“NKOS书目”，其中包括研究成果的书目信息。我们分析了这个社区的合著网络，结果是123篇论文，共有256位不同的作者。我们使用标准的网络分析措施，如度，介数和接近中心来描述NKOS数据集的合著网络。首先，我们研究网络随时间的全局性质。其次，我们分析了作者在NKOS网络中的中心地位。最后，我们调查了在这个社区的合作行为的性别差异。研究结果显示，除了学者的中心性差异外，他们更倾向于与同一机构或同一地理邻近的学者合作。我们还发现该社区女性的同性恋率较高。除了男性和女性在亲密度和集群方面的微小差异外，我们没有发现其他中心点有任何重大差异。
2018-03-12 cs.DL cs.SI
Analysis of Coauthorship Network in Political Science using Centrality Measures
近年来，数据网络正在大规模增长，并形成了复杂的结构形状。数据科学家试图分析不同的复杂网络，并利用这些网络以有意义的方式理解网络的复杂结构。需要检测和识别这样的复杂网络，以便知道这些网络如何在使用复杂结构的同时提供通信手段。社会网络分析提供了使用图论、网络属性和社区发现算法来探索和分析这种复杂网络的方法。本文采用公共中心性测度方法，对微软学术图谱（MAG）公共关系与公共管理学科的合著网络进行了分析。作者来自世界各地的不同研究和学术机构。有凝聚力的作者群体已被确定和排名的基础上的中心性措施，如介，程度，网页排名和密切程度。实验结果表明，作者谁是好的特定领域，有很强的领域知识和保持同行之间的合作，在公共关系和公共管理领域的发现。
2019-02-12 cs.DL cs.SI
Closeness Centrality Algorithms For Multilayer Networks
本文针对多层网络中心性计算中聚合转换导致结构语义损失和效率低下的问题，提出基于解耦和组合函数的紧密度中心性直接计算方法，并设计两种启发式组合策略，在合成与真实图上验证了其准确性和并行高效性。
2023-08-13 cs.IT cs.SI math.IT
Directional Laplacian Centrality for Cyber Situational Awareness
网络操作淹没在多样化、高容量、多源数据中。为了全面了解当前的操作并识别恶意事件和行为者，分析师必须通过人类活动和良性自动化流程的混合生成的数据。虽然存在许多监控和警报系统，但它们通常使用基于签名的检测方法。我们引入了一个通用的方法植根于谱图理论发现模式和异常，而无需先验知识的签名。我们推导并提出了一个新的图论中心性测度的基础上的衍生物的图形拉普拉斯矩阵的顶点方向。为了建立对我们的度量的直觉，我们展示了它如何识别标准网络数据集中的最中心顶点，并与其他图中心性度量进行比较。最后，我们专注于研究它在识别网络流数据中的重要IP地址的有效性。使用真实的和合成的网络流数据，我们进行了几个实验，以测试我们的措施的敏感性，两种类型的注入攻击配置文件，并显示顶点参与注入攻击配置文件表现出显着的变化，在我们的中心性措施，即使当注入的异常相对较小，并在存在模拟的网络动态。
2021-03-23 cs.CR cs.DM cs.SI
Degree Centrality Algorithms For Homogeneous Multilayer Networks
本文针对多层网络中心性计算需先聚合为简单图而损失结构与语义的问题，提出基于解耦的启发式度中心性算法，可直接在多层网络上高效计算并保留结构语义，实验验证了其准确性与效率。
2022-07-24 cs.IT cs.SI math.IT
Multiplex PageRank
许多复杂系统可以被描述为多路复用网络，其中相同的节点可以在不同的层中彼此交互，从而形成一组交互和共同进化的网络。这种多重系统的例子是社交网络，其中人们参与不同类型的关系并通过各种形式的通信媒体进行交互。多重网络中节点的排序问题是当前复杂网络研究面临的最紧迫、最具挑战性的课题之一。当节点对可以通过多个链路和多个层连接时，节点的排名必须反映节点在一个层中的重要性以及它们在其他相互依赖的层中的重要性。在本文中，我们借鉴有偏随机游走的思想来定义多重PageRank中心性度量，其中直接考虑了网络之间的相互作用对节点中心性的影响。特别是，根据层之间的相互作用的强度，我们定义的加法，乘法，组合，和中性版本的多重PageRank，并显示每个版本如何反映在何种程度上一个节点的重要性在一个层影响的重要性节点可以获得在另一个层。我们讨论这些措施，并将其应用到一个在线多元化的社会网络。研究结果表明，考虑到网络的多重性，有助于发现不同的排名从一个单一的层获得的节点的排名的出现。结果提供了支持，有利于多个中心的措施，如多重PageRank的显着性，用于评估嵌入在多个相互作用的网络中的节点的突出性，并为脱落的结构特性，否则将保持未检测到的，如果每个相互作用的网络进行了分析，在隔离的新光。
2013-09-23 cond-mat.stat-mech cs.SI physics.soc-ph
Evaluating the performance of geographical locations in scientific networks with an aggregation - randomization - re-sampling approach (ARR)
科学和技术系统中的知识创造和传播被视为社会经济发展的先决条件。创造新知识的效率被认为具有地理因素，即某些地区比其他地区更有能力创造科学知识。本文展示了一种方法，使用网络表示的科学互动，以评估相对效率的地区与不同的边界，通过科学系统引导知识。在第一步骤中，从经验数据产生介数中心性的加权聚合（聚合）。这个经验网络随后的随机化产生了必要的零模型，用于显著性检验和标准化（随机化）。重复此步骤以获得更高的结果置信度（重新采样）。结果是稳健的估计相对区域效率，经纪人的知识，这是讨论连同横截面和纵向的实证例子。网络表示充当了经济地理学和邻近学科的概念思想的直接隐喻。然而，该程序并不限于中心性措施，也不限于空间聚合。因此，它为科学计量学及其他领域提供了广泛的应用。
2012-01-10 cs.SI physics.soc-ph
Hiding in Multilayer Networks
多层网络允许对复杂的关系进行建模，其中个人同时嵌入多个社交网络中。鉴于这种关系的普遍性，这些网络在文献中越来越受到关注。本文首次分析了多层网络中中心性测度对策略操纵的鲁棒性。更具体地说，我们考虑一个“逃避者”，他策略性地选择在多层网络中形成哪些连接，以获得低中心度的排名，从而减少被突出显示为网络中关键人物的机会，同时确保她与某个特定的人群保持联系。我们证明，确定一个最佳的方式来“隐藏”是NP-完全的，很难近似为我们的研究中考虑的大多数中心性措施。此外，我们根据经验评估了一些逃避者可以使用的策略。我们的研究结果表明，作为整个网络拓扑结构的功能的中心性措施是更强大的这样一个战略逃避者比他们的同行，分别考虑每一层。
2019-11-14 cs.SI physics.soc-ph
Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering
Salahaddin University-Erbil（萨拉赫丁大学埃尔比勒分校）
本文提出无监督社区检测方法ELPMeans，结合拉普拉斯中心性、层次聚类与K-means，解决中心节点初始化和社区数未知问题，提高准确性并降低时间复杂度。
2025-02-27 cs.LG cs.SI
The impact of nodes of information dissemination on epidemic spreading in dynamic multiplex networks
College of Artificial Intelligence, Southwest University（西南大学人工智能学院）；School of Public Policy and Administration, Chongqing University（重庆大学公共政策与管理学院）
本文提出双层网络模型，探讨意识层中个体属性对传染病传播的影响，发现高中心性个体能抑制传染病传播，低中心性个体对感染数量有近似线性影响。
2024-06-06 cs.SI physics.soc-ph
Centrality anomalies in complex networks as a result of model over-simplification
我们对复杂网络的性质和演化的理解已经取得了巨大的进步。这些进展最初是由信息贫乏的经验网络和对无权无向图的理论分析推动的。最近，信息丰富的经验数据复杂网络支持更复杂的模型，包括边缘方向性和权重属性，以及多个层的发展。许多研究仍然集中在网络的无向描述，这就引出了一个基本问题：如何识别一个模型是否比它必须的更简单？在这里，我们认为，复杂网络中的中心性异常的存在是模型过度简化的结果。具体来说，我们研究了交通网络介数中心性的众所周知的异常，根据该异常，高度连接的节点不一定是最中心的。使用广泛的一类网络模型的权重和空间约束和四个大型数据集的交通网络，我们表明，这些网络的结构的未加权投影可以表现出显着比例的异常节点相比，随机零模型。然而，这些网络的加权投影，与适当的空模型相比，显着降低了观察到的异常的比例，表明中心性异常是模型过度简化的症状。由于缺乏信息丰富的数据是处理复杂网络时的一个常见挑战，并可能导致错误估计系统中节点的作用的异常，我们认为，当检测到异常时，应使用足够复杂的模型。
2020-03-13 cs.SI physics.soc-ph
Leveraging Peer Centrality in the Design of Socially-Informed Peer-to-Peer Systems
社交应用程序挖掘用户社交图谱，以提高搜索性能，提供推荐，允许资源共享并提高数据隐私。当这样的应用在对等（P2P）架构上实现时，社交图分布在P2P系统上：社交图的遍历转化为对等层中的社交通知路由。在这项工作中，我们介绍了模型的投影图，这是分散的社交图到对等网络的结果。我们专注于三个社会网络指标：度，节点介数和边缘介数中心性和分析制定的社会图和投影图中的指标之间的关系。通过对真实网络的实验评估，我们证明了当映射用户社区的大小高达50-150个用户在每个对等体上时，社交图的属性与投影图之间的关联性很高，因此（动态）投影图的属性可以从（变化较慢的）社交图的属性中推断出来。此外，我们展示了两个应用场景上的大规模社交网络的可用性的投影图在设计社会化搜索应用程序和非结构化P2P覆盖。
2012-10-22 cs.DC cs.SI
Computing Vertex Centrality Measures in Massive Real Networks with a Neural Learning Model
Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
顶点中心性度量是一种多用途的分析工具，通常用于许多应用环境中，以从图和网络结构属性中检索信息和揭示知识。然而，当运行实时应用或大规模真实世界网络时，这种度量的算法在计算资源方面是昂贵的。因此，近似技术已经开发出来，并用于计算在这种情况下的措施。在本文中，我们展示和分析使用神经网络学习算法来解决这样的任务，并比较其性能的解决方案的质量和计算时间与其他技术从文献。我们的工作提供了一些贡献。我们强调了通过神经学习近似中心的优点和缺点。通过实证分析和统计分析，证明了基于Levenberg-Marquardt算法训练的前馈神经网络生成的回归模型不仅是考虑计算资源的最佳选择，而且对于相关应用和大规模网络也能达到最佳的解质量。关键词：顶点中心性度量，神经网络，复杂网络模型，机器学习，回归模型
2018-10-28 cs.LG cs.NE cs.NI
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
A parameterised model for link prediction using node centrality and similarity measure based on graph embedding
The University of Sydney（悉尼大学）；Faculty of Engineering（工程学院）；School of Project Management（项目管理学院）
针对现有图神经网络在短路径网络和自我网络上链接预测性能不佳的问题，提出NCSM模型，通过在定制GNN层中整合节点中心性与相似性度量作为边特征，有效利用拓扑信息，在五个基准数据集上超越现有最先进模型。
2023-09-11 cs.LG cs.SI
HIP: Model-Agnostic Hypergraph Influence Prediction via Distance-Centrality Fusion and Neural ODEs
HIP框架通过融合距离中心性表示、超图神经网络及LSTM与Neural ODEs混合模块，在未知传播模型条件下实现高精度超图影响力预测，并在14个数据集上验证了其优越性和模块化通用性。
2025-08-21 cs.SI
Optimal interlayer structure for promoting spreading of SIS model in two-layer networks
现实世界的系统，从社会和生物到基础设施，都可以用多层网络来建模。促进多层网络中的传播动态可以大大促进电子广告和预测流行的科学出版物。在这项研究中，我们提出了一个策略，通过在两个孤立的网络之间添加一个互连的边缘，以促进易感-感染-易感模型的传播动力学。通过应用扰动方法的离散马尔可夫链的方法，我们得到一个指数，估计在互联网络的传播流行。该指数可以被解释为一个变种的Katz中心，其中的邻接矩阵被替换为一个加权矩阵的权重取决于扩散过程的动态信息。在一端及其邻域感染较少但在另一端感染程度较高的边将具有较大的权重。我们通过详尽地检查所有潜在的边缘，并证明性能是最佳的或接近最佳的小型网络上的建议策略的有效性。对于大型的合成网络和真实世界的网络，所提出的方法总是优于其他静态策略，如连接节点的最高程度或特征向量中心。
2019-08-09 cs.SI physics.soc-ph
Venture Capital investments through the lens of Network and Functional Data Analysis
在本文中，我们的风险资本支持的公司的业绩特征的基础上，他们的能力，以吸引投资。本研究的目的是从企业和投资者关系的网络结构中确定成功的相关预测因素。专注于医疗行业的交易层面数据，我们首先在公司和投资者之间创建一个双边网络，然后应用功能数据分析（FDA）来逐步获得更精确的成功指标，这些指标由二元，标量和功能结果捕获。更具体地说，我们使用不同的网络中心性措施来捕捉早期投资对公司成功的作用。我们的研究结果，这是强大的不同规格，表明，成功有一个很强的正相关的公司和大型投资者的中心性措施，和一个较弱的，但仍然可以检测到的关联与小投资者的中心性措施和功能描述公司的知识桥梁。最后，根据我们的分析，成功与公司和投资者的传播能力（谐波中心性），也与投资者社区的紧密性（聚集系数）和传播能力（VoteRank）无关。
2022-08-10 cs.SI stat.AP
Identifying Influential Nodes in Two-mode Data Networks using Formal Concept Analysis
Université du Québec en Outaouais（魁北克大学乌塔韦校区）；HEC Montreal（蒙特利尔高等商学院）
识别双模式网络中的重要参与者（或节点）通常仍然是挖掘，分析和解释现实世界网络的关键挑战。虽然传统的二分中心性指标通常用于识别影响网络信息流的关键节点，但在复杂的情况下，例如具有复杂局部结构的大型网络或缺乏关于网络拓扑和某些属性的完整知识时，它们经常产生不良结果。在本文中，我们介绍了双脸（BF），一个新的二分中心性测量识别的重要节点的双模网络。使用形式概念分析的强大的数学形式主义，BF测量利用概念意图的面来识别具有有影响力的bicliques连通性并且不位于不相关的桥中的节点。与现成的中心性指数不同，它量化了一个节点如何通过bicliques对其相邻节点产生凝聚力子结构影响，而不是通过其不存在无影响力的桥梁而处于网络核心-外围节点。我们在几个真实世界和合成网络上的实验表明，BF的效率超过现有的突出的二分中心性措施，如介数，接近度，特征向量和投票排名等。
2021-09-07 cs.AI cs.SI
Multi-Dimensional, Multilayer, Nonlinear and Dynamic HITS
University of Strathclyde（斯特拉思克莱德大学）
本文提出了一种基于多齐次顺序保持映射的 Perron 特征向量的时序多维加权有向网络排名模型，扩展了HITS算法到时序多层设置，并定义了五个中心性向量，包括节点、层和时间戳的向量，通过非线性引入保证了任何网络的中心性向量存在性和唯一性。
2018-09-21 cs.LG cs.NA cs.SI
Layers of a City: Network-Based Insights into San Diego's Transportation Ecosystem
本研究利用网络科学构建圣地亚哥多层交通图，分析可达性与韧性，发现核心-边缘分化及30.3%POI公交可达性差距，提出可步行性指标，为交通公平与韧性提供定量框架。
2025-08-06 cs.SI cs.SY eess.SY
Network Composition from Multi-layer Data
人们通常访问多个社交网络，例如，使用电话、电子邮件和社交媒体。多层次的社会互动共同构成了一个“综合社会网络”。“我们如何将关于单层网络的成熟知识，包括顶点中心性和社区结构，扩展到这种异构结构？在本文中，我们提出了一个原则性的框架，网络组成的基础上，一个统一的动态过程来处理这些挑战。在数学上，我们考虑以下抽象问题：给定多层网络数据和层内和层间动态的附加参数，构建一个最佳集成联合过程的（单个）加权网络。我们使用动力学的转换，统一异构层下一个共同的动力学。对于层间组成，我们将考虑几种情况，因为层间动态在各种社会或技术网络中扮演不同的角色。从经验上讲，我们提供的例子来强调网络分析和网络设计的有用性，这个框架。
2016-09-06 cs.SI physics.soc-ph
Common Knowledge on Networks
对意图的共同认识对于基本的社会任务至关重要，这些任务包括合作狩猎、寡头勾结、骚乱、革命以及社会规范和人类文化的演变。然而，关于常识如何在社交网络的动态中留下痕迹，人们知之甚少。在这里，我们展示了一个人的网络属性-主要是本地聚类和介数中心-提供了成功参与共同知识任务的能力的强烈信号。这些信号与当实践具有传染性时，或者当人们使用不太复杂的不产生真正协调的方法时所预期的信号不同。这使得从观察中推断决策规则成为可能。我们还发现，需要共同知识的任务可能会产生显著的成功不平等，而当实践仅通过传染传播时，结果相对平等。
2015-07-29 cs.SI physics.soc-ph q-bio.NC
Strategic Opinion Manipulation in Multiplex Networks
University of California, San Diego（加州大学圣地亚哥分校）
本文提出多路网络上的策略性意见操纵模型，证明博弈存在闭式纳什均衡，揭示合并层对操纵的双刃剑效应，并刻画平台最优注意力权重选择。
2026-09-22 cs.GT cs.SI
CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs
Federation University Australia（澳大利亚联邦大学）；Dalian University of Technology（大连理工大学）；Zhejiang University of Technology（浙江工业大学）；The Chinese University of Hong Kong（香港中文大学）
图卷积网络（GCN）在许多领域都取得了令人瞩目的性能，引起了人们的广泛关注。GCN的核心步骤是信息传递框架，该框架认为从邻居到中心顶点的所有信息都同等重要。然而，这种同等的重要性对于无标度网络是不够的，在无标度网络中，由于顶点不平衡，枢纽顶点传播更多的主导信息。在本文中，我们提出了一种新的基于中心的框架命名CenGCN解决信息的不平等。该框架首先通过中心点的标签传播来量化中心点与其邻居之间的相似性。基于这种相似性和中心性指数，框架通过增加或减少连接枢纽顶点的边的权重以及向顶点添加自连接来变换图。在GCN的每个非输出层中，该框架使用中心注意力机制来基于它们与中心顶点的公共信息向连接的非中心顶点分配新的权重。分别基于度中心性和特征向量中心性，提出了两个变体CenGCN D和CenGCN E.我们还进行了全面的实验，包括顶点分类，链接预测，顶点聚类和网络可视化。结果表明，这两种变体显著优于最先进的基线。
2022-02-16 cs.LG cs.SI
Tunable Eigenvector-Based Centralities for Multiplex and Temporal Networks
描述重要性（即，社会、生物和技术网络中节点的中心性（centralities）是网络科学和数据科学的核心主题。我们提出了一个线性代数框架，概括了基于特征向量的中心性，包括PageRank和枢纽/权威分数，提供了一个共同的框架，两个流行的多层网络：多路复用网络（具有编码不同类型的关系层）和时间网络（其中的关系随时间变化）。我们的方法涉及联合，边缘和条件的“超中心”的研究，人们可以从超中心矩阵的主导特征向量计算[泰勒等人，2017]，它耦合了与各个网络层相关的中心性矩阵。我们扩展了以前的工作（这是有限的时间网络与层耦合的相邻时间耦合），允许层耦合通过（可能是不对称的）层间邻接矩阵$\tilde{\bf A}$，其中条目$\tilde{A}_{tt'} \geq 0$编码层之间的耦合$t$和$t'$。我们的框架提供了一个统一的基础多重和时间网络的中心性分析，它也说明了一个复杂的依赖层间耦合的拓扑结构和权重的超中心。通过尺度$\tilde{\bf A}$的层间耦合强度$ω\ge0$和发展的弱（$ω\to0^+$）和强耦合（$ω\to\infty$）的极限的奇异摄动理论，我们还揭示了一个有趣的依赖性上的占主导地位的左，右特征向量的$\tilde{\bf A}$的超中心。
2020-08-04 cs.NA cs.SI math.NA
Identifying Influential Nodes Using Overlapping Modularity Vitality
发现网络中有影响力的节点对控制网络中的扩散现象至关重要。在最近的作品中，有一个越来越多的趋势，调查社区结构的作用，以解决这个问题。到目前为止，绝大多数所谓的社区意识的中心性措施依赖于非重叠的社区结构。然而，在诸如社交网络的许多现实世界网络中，社区重叠。换句话说，一个节点可以属于多个社区。为了克服这一缺陷，我们提出并研究了“重叠模块活力”中心性度量。这种扩展的“模块活力”量化社区结构强度的变化时，删除一个节点。它允许基于节点对网络的重叠模块化的贡献将节点识别为集线器或桥接器。一个比较分析，其非重叠版本使用易感-感染-传播（SIR）流行病扩散模型已进行了一组六个现实世界的网络。总体而言，重叠模块化活力优于其替代品。这些结果说明了将知识的重叠社区结构，以有效地识别有影响力的节点的重要性。此外，可以使用多个排名策略，因为这两个措施是有符号的。结果表明，选择具有最大正值或最大绝对中心度值的节点比选择具有最大负值的节点更能有效地传播疫情。
2022-01-30 cs.SI
Galaxysearch - Discovering the Knowledge of Many by Using Wikipedia as a Meta-Searchindex
我们提出了一个动态地图的知识维基百科页面和其中包含的Web URL。GalaxySearch为我们不知道如何提问的问题提供答案，通过构建与搜索词相关的维基百科最相关页面的语义网络。这个搜索图是基于维基百科的双向链接结构、页面上最近的编辑、页面的重要性和文章质量构建的;然后搜索结果根据其网络位置的中心度进行排名。GalaxySearch以三种相关的方式提供结果：（1）WikiSearch -为选定的主题识别最突出的维基百科页面和Web链接，（2）WikiMap -创建一个可视化的时间地图，显示搜索结果在返回的维基百科条目的生命周期内生成的语义网络的变化，以及（3）WikiPulse -查找关于主题的最新和最相关的更改和更新。
2012-04-16 cs.SI
