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
The Bow-Tie Centrality: A Novel Measure for Directed and Weighted Networks with an Intrinsic Node Property
今天,存在许多中心性度量用于评估网络中节点的重要性,作为其位置和底层拓扑的函数。一类这样的措施建立在特征向量中心,其中一个节点的重要性是从它的相邻节点的重要性。对于有向和加权的复杂网络,其中节点可以携带一些内在属性值,已经提出了中心性度量,这些度量是特征向量中心性的变体。然而,这些表达方式都有缺点。在这里,这种中心性措施的扩展,补救所有以前遇到的问题。虽然已经提出了类似的改进的中心性措施作为算法配方,这里提出的新的数量是一个纯粹的分析表达式,只利用邻接矩阵和节点值的向量。详细推导了新的中心性测度。具体来说,中心性本身对于分析显示蝴蝶结拓扑的有向和加权网络(具有节点属性)是理想的。然后计算一个独特的和广泛的现实世界的数据集,来自经济学的新颖的领结中心。它示出了蝴蝶结中心性如何评估类似于其他特征向量中心性措施的节点的相关性,同时不受其缺点的困扰,在网络中存在的周期。
2019-11-03 cs.SI physics.soc-ph
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
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
Optimizing edge weights in the inverse eigenvector centrality problem
University of Milano-Bicocca(米兰比可卡大学);University of Catania(卡塔尼亚大学)
本文提出了一种优化方法,用于在有向图中根据给定的节点中心性分布确定边权重,通过不同策略比较加权网络结构的灵活性和应用潜力。
2026-02-12 cs.SI math.OC
A GPU-Based Solution to Fast Calculation of Betweenness Centrality on Large Weighted Networks
近几十年来,网络科学取得了巨大的发展,它确实为不同领域的真实系统建模带来了一种新的和有洞察力的语言。介数是网络科学中广泛使用的中心性,是调查网络负载和排名的一个不错的代理。然而,极高的计算成本极大地限制了它在大型网络中的应用。虽然已经提出了一些并行算法来减少其计算成本的非加权网络,加权网络,这实际上是比非加权网络更普遍的现实,仍然缺乏一个快速的解决方案。在这项研究中,我们开发了一种高效的基于GPU的并行方法,以提高在非常大的加权网络上计算介数中心性。对合成网络和真实网络的全面和系统的评估表明,我们的解决方案可以通过集成工作效率和以warp为中心的策略来实现CPU实现的30倍到150倍的加速比。我们的算法是完全开源的,对社区是免费的,它是通过https://dx.doi.org/10.6084/m9.figshare.4542405公开的。考虑到GPU在个人计算机和服务器上的普遍部署和不断下降的价格,我们的解决方案确实将为探索网络科学中的介数相关问题提供前所未有的机会。
2017-01-21 cs.DS cs.SI physics.soc-ph
Centrality in Collaboration: A Novel Algorithm for Social Partitioning Gradients in Community Detection for Multiple Oncology Clinical Trial Enrollments
University of Toronto(多伦多大学);University Health Network(大学健康网络)
本研究针对肿瘤临床试验患者入组的医师协作网络识别问题,提出一种新的社区检测算法,对比Girvan-Newman、Louvain算法验证了其分组直观且具社会划分梯度的优势,为流行病学亚组分析奠基。
2024-11-05 cs.SI stat.ME stat.OT
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
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
Combating fake news by empowering fact-checked news spread via topology-based interventions
快速的信息扩散和大规模的信息级联可以使错误信息的不希望的传播成为可能。小规模的虚假信息爆发可能导致信息流行病。我们提出了一种新的信息扩散和干预技术,以打击虚假新闻的传播。由于虚假信息通常在社交网络中传播得更快,因此所提出的扩散方法通过主动扩散经事实检查的信息来抑制虚假新闻的传播。我们的方法主要依赖于定义潜在的超级传播者在社交网络的基础上,他们的中心性指标。我们在不同的网络上运行了一组广泛的实验,以研究中心性指标对所提出的扩散和干预模型的性能的影响。所获得的结果表明,授权的事实核查新闻的传播打击虚假新闻的传播进一步和更深的社交网络。
2021-07-11 cs.HC cs.SI
Fast Approximation of Centrality
社会研究的研究人员使用图形来模拟社交网络中的群体活动。在这种情况下,一个重要的属性是顶点的中心性:到每个其他顶点的平均距离的倒数。我们描述了一个加权图中心度的随机近似算法。对于表现出小世界现象的图,我们的方法估计在近线性时间内所有顶点的中心性具有高概率在(1+ 1)因子内。
2000-09-13 cond-mat.dis-nn cs.DS cs.SI
Improving Skip-Gram based Graph Embeddings via Centrality-Weighted Sampling
Universitat de Barcelona(巴塞罗那大学);Universidad Central de Ecuador(厄瓜多尔中央大学);University of Sevilla(塞维利亚大学)
受word 2 vec启发的网络嵌入技术代表了一种有效的无监督关系学习模型。通常,通过Skip-Gram过程,这些技术通过采样节点上下文示例来学习图中节点的低维向量表示。尽管已经提出了许多对节点的上下文进行采样的方法,但是尚未深入分析节点选择方式的影响。为了填补这一空白,我们在同一框架下重新实现了四种主要的word 2 vec启发的图嵌入技术,并分析了在节点分类问题中测试时,不同的采样分布如何影响嵌入性能。我们提出了一组不同的著名的真实数据集,显示如何使用流行的中心分布在采样导致改进,获得高达2倍的学习时间和提高在所有情况下的准确性的速度的实验。
2019-07-20 cs.LG cs.SI stat.ML
Structure-Aware Optimal Intervention for Rumor Dynamics on Networks: Node-Level, Time-Varying, and Resource-Constrained
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)
本文提出一种节点级、时变且资源受限的最优干预框架,通过求解与网络结构耦合的资源约束最优控制问题来推导控制权重,有效降低了谣言感染峰值与累计感染面积,并揭示了早期干预核心节点、后期干预边缘节点的阶段感知资源分配规律。
2025-10-31 cs.SI
Edge interventions can mitigate demographic and prestige disparities in the Computer Science coauthorship network
University of Colorado Boulder(科罗拉多大学博尔德分校);Haverford College(哈弗福德学院);The University of Utah(犹他大学)
研究通过模拟边缘干预,将目标研究人员与高排名机构的研究者连接,提高了其在合著网络中的中心性,从而缓解了基于人口统计和机构声望的不平等。
2026-06-25 cs.CY 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
Targeting interventions for displacement minimization in opinion dynamics
社会影响在很大程度上被认为是舆论形成过程中的一个关键因素。近年来,外部力量在社交网络中引发观点位移和两极分化的作用引起了人们的极大关注。这尤其是因为必须了解并尽可能防止政治运动和选举期间的干预现象。在本文中,我们制定并解决了有针对性的干预问题的意见位移最小化的社会网络。具体来说,我们考虑一个最小-最大的问题,社会规划者(防御者)的目标是在她给定的预算约束内选择最佳的网络干预,以尽量减少系统中的意见位移,而对手(攻击者)则试图最大化。我们的研究结果表明,最佳干预的防御者有两个政权。对于足够大的预算,社会规划师的最佳干预作用于所有节点成比例的网络中心性的新概念。对于较低的预算值,这种最佳干预具有更微妙的结构,并且相当集中于少数目标个人。
2022-09-14 cs.SI math.OC
Perturbation centrality and Turbine: a novel centrality measure obtained using a versatile network dynamics tool
网络动力学分析成为理解和预测复杂系统变化的一个焦点。在这里,我们介绍涡轮机,一个通用的框架,使任何算法定义的动态非常大的网络上的快速模拟。利用受通信船舶启发的扰动传播模型,定义了一种新的中心性度量:扰动中心性。枢纽和模块间节点被证明是非常有效的扰动传播。Met-tRNA合成酶蛋白质结构网络的高扰动中心节点被早期研究确定为参与蛋白质内通讯的氨基酸。酵母相互作用体节点在不同胁迫下的扰动中心性变化很好地概括了胁迫下酵母细胞的功能变化。扰动中心性的新颖性和实用性在其他几个模型,生物和社交网络中得到了验证。Turbine软件和扰动中心性测量可以提供多种新颖的选项来评估信号传导、药物作用、环境和社会干预。Turbine算法可从以下网址获得:http://www.turbine.linkgroup.hu
2013-10-25 cond-mat.dis-nn cs.SI physics.bio-ph
Shifted Eigenvector Models for Centrality and Occupancy in Urban Networks
Universidad Politécnica de Madrid(马德里理工大学)
本文提出偏移特征向量模型,用于分析城市网络中的中心性与占用,结合拓扑和非拓扑因素,通过最小二乘法估计参数并评估城市干预影响。
2026-02-06 cs.SI
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
Current Flow Group Closeness Centrality for Complex Networks
与基于最短路径的贴近中心度相比,电流贴近中心度具有更好的区分能力。在本文中,我们将这一概念扩展到一组加权图的顶点,然后研究的问题,找到一个子集$S$的$k$顶点,以最大化其CFCC $C(S)$,从理论和实验。我们表明,该问题是NP-难的,但提出了两个贪心算法最小化的倒数$C(S)$证明保证使用单调性和超模块性。第一个是一个确定性算法的近似因子$(1-\frac{k}{k-1}\cdot\frac{1}{e})$和立方运行时间,而第二个是一个随机算法的$(1-\frac{k}{k-1}\cdot\frac{1}{e}-ε)$近似和近线性运行时间的任何$ε> 0$。在模型和真实网络上的大量实验表明,我们的算法是有效的和高效的,与第二个算法是可扩展的大规模网络与超过一百万个顶点。
2018-02-11 cs.DS cs.SI
A measure of centrality based on the spectrum of the Laplacian
我们引入了一个新的中心族,k-谱中心。k-谱中心性是关于与图相关联的图拉普拉斯算子的变形的重要性的度量。由于这种联系,k-谱中心性在谱确定信息方面有各种解释。我们探讨了几个例子的背景下,这种中心性。对于稀疏的未加权网络,1-谱中心性的行为与其他标准中心性相似,而对于稠密的加权网络,它们表现出不同的性质。总之,k谱中心性提供了一种新颖且有用的相关性测量(对于单个网络元件以及整个子网),其不同于其他已知的测量。
2011-12-20 cs.SI physics.data-an physics.soc-ph
A Topological Centrality Measure for Directed Networks
给定一个有向网络$ G $,我们感兴趣的是研究$ G $的定性特征,这些特征支配扰动如何在$ G $上传播。各种经典的中心性度量已经被开发出来,并被证明是有用的,以捕捉无向网络的定性特征和行为。在本文中,我们使用拓扑数据分析(TDA),以适应措施的中心性,以捕捉网络中的有向性和非局部传播行为。我们引入了一个新的度量计算有向加权网络的中心性,即准中心性测度。我们在贸易网络上计算这些指标,以说明我们的措施成功地捕获了网络中的传播效应,也可以用来识别可能破坏有向网络拓扑结构的冲击源。此外,我们介绍了一种方法,给出了一个层次表示的有向网络中的节点的拓扑影响。
2022-01-30 cs.SI math.AT
Distance Backbones Optimize Spreading Dynamics and Centrality Ranks in the Sparsification of Complex Networks
Politecnico di Torino(都灵理工大学);CENTAI Institute(CENTAI研究所);Universidade Católica Portuguesa, Católica Medical School, Católica Biomedical Research Centre(葡萄牙天主教大学,天主教医学院,天主教生物医学研究中心);Binghamton University (State University of New York)(宾厄姆顿大学(纽约州立大学))
本文提出距离骨干合成方法,通过渐进稀疏化保留网络连接性和传播动态,优化中心性排名和拓扑结构。
2026-03-18 cs.SI math.GN physics.soc-ph
Analysis of centrality measures under differential privacy models
本文提供了第一个分析的差异私人计算的三个中心性措施,即特征向量,拉普拉斯和接近中心,在任意加权图,使用光滑灵敏度方法。我们通过找到随机算法需要添加的噪声量的下限来做到这一点,以便使每个测量的输出具有差异性。我们的研究结果表明,这些计算是不可行的,在这个意义上说,有大家庭的图的光滑灵敏度是无界的;或不切实际的,在这个意义上说,即使对于光滑灵敏度是有界的情况下,所需的噪声量导致不可接受的大效用损失。
2021-03-05 cs.SI
On the epidemic threshold of a network
本文研究的图不变量是图的邻接矩阵的最大特征值。以前的工作证明了这个不变量之间的紧密关系,出生率和死亡率的传染蔓延的图形,以及随着时间的推移的轨迹的传染。我们首先进行模拟确认这一点,并探讨边界的出生率和死亡率方面的著名的图不变量。因此,移除网络中的一个顶点所导致的最大特征值的变化,是衡量减缓传染病蔓延的干预措施有效性的最佳指标。我们定义图$G$中的顶点$v$的扩散中心度为$G$和$G-v$的最大特征值之差。虽然传播中心性是一个独特的中心性措施,并作为另一个图不变的区分图,我们发现实验证据表明,顶点排列的传播中心性和那些排列的特征向量中心性是强相关的。由于特征向量中心性比扩散中心性更容易计算,这证明了使用特征向量中心性作为扩散的度量,特别是在具有未知部分的大型网络中。我们还研究了两种策略,选择人口接种疫苗的成员。
2022-10-26 cs.SI math.CO
Centrality Measures in Networks
我们发现,突出的中心性措施在网络分析中都是基于可加性分离和线性处理的统计数据,捕捉一个节点在网络中的位置。这使我们能够提供一种中心性度量的分类,将它们提炼为两个维度上的变化:(i)它们使用关于节点位置的哪些信息,以及(ii)这些信息如何作为与所讨论节点的距离的函数进行加权。通常使用的关于节点位置的三种信息-我们称之为“节点统计”-是从给定节点到其他节点的路径,从给定节点到其他节点的步行,以及包括给定节点的其他节点之间的测地线。使用这样的统计节点的位置,我们还描述了树的类型,使中心性措施都同意,我们还讨论了一些基于路径的中心性措施,确定的属性。
2021-01-22 cs.SI physics.soc-ph
Centrality-Friendship Paradoxes: When Our Friends Are More Important Than Us
友谊悖论表明,平均而言,我们的朋友比我们拥有更多的朋友。在网络术语中,节点的平均度永远不会超过节点邻居的平均度。这一效应是抽样偏差的一个典型例子,在社会科学和网络科学文献中引起了广泛关注,并对悖论的变体和扩展进行了定义,测试和解释。在这里,我们表明,一个版本的悖论严格保持特征向量中心:平均而言,我们的朋友比我们更重要。然后,我们考虑一般的矩阵函数中心性,包括Katz中心性,并给出了悖论成立的充分条件。我们还讨论了哪些结果可以推广到有向边和加权边的情况。通过这种方式,我们为一个主要通过实证检验不断发展的领域提供了理论支持。
2018-07-04 cs.DM cs.SI
Fair Top-k Katz Centrality via Graph Design
University of Liverpool(利物浦大学)
该研究针对Katz中心性的Top-k场景提出公平图设计问题,开发了可扩展算法BLADE,用更少编辑实现目标群体比例的Top-k公平排名,且可扩展到大型真实图。
2026-09-04 cs.SI
Network Intervention by Polling Strategic Agents
MIT(麻省理工学院);IIT Bombay(印度理工学院孟买分校)
针对策略性智能体网络中的干预问题,提出Poll轮询算法,通过基于中心性的价格分解实现高效、可扩展且激励相容的福利最大化。
2026-10-07 cs.GT cs.MA cs.SI
A Faster Method to Estimate Closeness Centrality Ranking
接近中心性是衡量节点在给定网络中的中心程度的一种方法。接近中心性度量根据每个节点对整个网络的可访问性为每个节点分配中心性值。在现实生活中的应用中,我们主要感兴趣的是根据节点的中心性值对节点进行排名。经典的计算节点秩的方法是先计算所有节点的接近中心度,然后比较它们来得到它的秩。其时间复杂度为$O(n \cdot m + n)$,其中$n$表示节点总数,$m$表示网络中的边总数。在目前的工作中,我们提出了一种探试法来快速估计一个节点的贴近度排名在$O(α\cdot m)$的时间复杂度,其中$α= 3$。我们还提出了一个扩展的改进方法,使用均匀采样技术。该方法更好地估计秩,并且具有时间复杂度$O(α\cdot m)$,其中$α\approx 10-100$。这是对经典中心性排序方法的一个很好的改进。在真实世界的无标度社交网络上,使用绝对误差函数和加权误差函数验证了所提出方法的有效性。
2017-06-07 cs.SI physics.soc-ph
Infection Curve Flattening via Targeted Interventions and Self-Isolation
本文研究了小世界网络中基于中心性度量的定向干预和自我隔离策略对平缓流行病感染曲线的影响,发现高聚类且低小世界特性的网络结构能有效分散新增病例,缓解医疗压力。
2023-10-19 cs.SI cs.SY eess.SY
Composite Centrality: A Natural Scale for Complex Evolving Networks
基于度量标准化和不变统计继承方案,我们推导出了一般加权有向复杂网络的复合中心性度量。不同的方案产生不同的中间抽象措施提供额外的信息,而复合中心性措施趋于标准正态分布。这提供了一个统一的尺度来衡量节点和边缘的中心性,在一个统一的框架下,复杂的不断发展的网络。考虑到世界贸易网和世界移民网的两个真实案例,无论是在40年的时间跨度,我们提出了一个标准的设置,以证明其显着的规范性和准确性。通过大量的数值模拟,我们说明了所提出的框架对大型和任意复杂系统的适用性,以及它的局限性。
2014-01-20 cs.SI physics.data-an physics.soc-ph
Dynamic Interventions for Networked Contagions
本文研究了如何设计动态干预策略以最小化金融网络中的网络违约。在形式上,我们考虑一个动态版本的著名的艾森伯格-诺伊模型的金融网络负债,并使用它来研究外部干预政策的设计。我们的控制器在每一轮都有一个固定的资源预算,可以使用它来最小化网络中需求/供应冲击的影响。我们制定的最佳干预问题作为一个马尔可夫决策过程,并展示了我们如何利用问题的结构,有效地计算连续干预的最佳干预政策,并提供离散干预的近似算法。超越金融网络,我们认为,我们的模型捕捉动态网络干预在更广泛的一类动态需求/供给设置与网络的相互依赖性。为了证明这一点,我们将我们的干预算法应用于各种应用领域,包括拼车,在线交易平台和具有代理移动性的金融网络。在每种情况下,我们研究节点中心性和干预强度之间的关系,以及最优干预的公平性。
2022-10-03 cs.GT cs.SI cs.SY
On the limiting behavior of parameter-dependent network centrality measures
Emory University(埃默里大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
研究参数化节点中心性度量的极限行为,揭示参数调节如何在度中心性和特征向量中心性间插值,并探讨谱间隙和三角形数量对网络排名的影响。
2015-04-30 cs.NA cs.SI math.NA
Why distinctiveness centrality is distinctive
本文回应了Neal对Distinctiveness centrality指标的评论,通过全面分析其与Beta和Gamma测度在不同参数及网络拓扑下的相关性,验证了该指标作为社交网络分析替代或补充指标的可行性,并提供了计算复杂性分析与简化R代码。
2024-11-16 cs.SI physics.soc-ph
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
Identifying Influential Nodes in Weighted Networks using k-shell based HookeRank Algorithm
寻找有影响力的传播者是网络分析领域的一项重要任务,因为它具有许多理论和实践意义。这些节点在信息扩散过程中发挥着至关重要的作用,就像病毒式营销一样。许多现实生活中的网络都是加权网络,但与未加权网络相比,在加权网络中找到有影响力的节点的工作相对较少。在本文中,我们提出了一个基于k壳的HookeRank(KSHR)算法来识别加权网络中的扩散器。首先,我们提出了加权k壳中心节点u通过使用$u$的k壳值,其邻居的k壳值($v$),以及它们之间的边权重($w_{uv}$)。我们将网络中的边建模为弹簧,边权重为弹簧常数。基于胡克弹性定律的概念,我们假设一个力等于加权k壳值作用在每个节点上。在这种安排中,我们制定了KSHR中心的每个节点使用相关的加权k壳值和等效的边的权重,通过照顾从源节点的边缘的串联和并联组合,最多3跳邻居。该算法找到有影响力的节点,可以传播信息的最大数量的节点在网络中。我们比较我们提出的算法与流行的现有算法,并观察到它优于他们在许多现实生活中的和合成的网络使用易感性感染的传播(SIR)信息扩散模型。
2021-01-23 cs.SI physics.soc-ph
Nodes having a major influence to break cooperation define a novel centrality measure: game centrality
合作在生物体的自组织和进化中发挥着重要作用。网络拓扑结构和合作者的初始位置都对社会困境博弈的合作有重要影响。我们开发了一种新的模拟程序包,称为“网络游戏”,它能够模拟任何类型的社会困境游戏的任何模型,或现实世界的网络与任何分配的初始合作或叛逃策略的网络节点。最初背叛单个节点以破坏整体合作的能力被称为“游戏中心性”。这一措施的效率在众所周知的社交网络上得到了验证,并被扩展到“蛋白质游戏”,即模拟蛋白质或其氨基酸之间的合作。酵母蛋白质相互作用网络的枢纽,特别是党枢纽有很大的影响,以转换其他节点的合作,以背叛。对甲硫氨酰-tRNA合成酶蛋白质结构网络的模拟表明,属于蛋白质内信号通路的节点对破坏合作的影响增加。在社会两难博弈中,单个初始背叛节点将其他节点的合作转化为背叛的效率可能是预测节点在复杂系统整合和调控中重要性的重要度量。游戏中心性可能有助于设计对细胞网络(以药物的形式)、生态系统和社交网络更有效的干预措施。网络游戏算法可以从这里下载:www.NetworGame.linkgroup.hu
2013-06-30 cs.GT cs.SI nlin.AO
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
Measuring Node Contribution to Community Structure with Modularity Vitality
社区感知中心性是网络科学中的一个新兴研究领域,关注节点对社区结构的重要性。测度是网络结构和给定分区的函数。以前的方法扩展了经典的中心性措施,占社区结构与社区发现理论的联系不大。相比之下,我们提出了集群质量的活力措施,即,模块化活力,这是一个社区意识的衡量标准,它充分基于中心性和社区发现理论。模块化活力量化了节点对社区结构的积极和消极贡献,表明节点作为社区桥梁或枢纽的作用。我们推导出一个计算效率高的方法,计算模块化生命力的所有节点在O(M + NC)的时间,其中C是社区的数量。我们通过移除中心节点来系统地分割网络,并发现模块化活力始终优于现有的社区感知中心性措施。在百万节点的基础设施网络上,模块化活力的效率是次优方法的8倍以上。这一结果并不适用于社交媒体通信网络,社交媒体通信网络对所有社区感知中心攻击都表现出极强的鲁棒性。这种稳健性表明,以用户为基础的干预措施,以减轻错误信息的传播将是无效的。最后,我们证明了模块化的生命力提供了一种新的方法来社区欺骗。
2021-01-07 cs.SI
Efficient computation of Katz centrality for very dense networks via negative parameter Katz
针对极稠密网络,提出通过补图高效计算Katz中心性排序的方法,并解释负参数Katz中心性,同时为加权图提供近似方法及充分条件。
2024-07-16 cs.SI math.CO
Separating temporal and topological effects in walk-based network centrality
最近引入的动态可通信性的概念是一个有价值的工具,在时间网络中的节点的重要性排名。两个指标,广播得分和接收得分,被引入到衡量一个节点的中心性相对于一个模型的传染基于时间尊重散步。本文探讨了时间和结构因素影响这些指标,考虑一个通用的随机时间网络模型。我们分析得出公式,以准确地预测预期的广播和接收分数时,一个或多个列的时间边列表被打乱。然后将这些方法应用于两个公开的数据集,我们量化了每个人的中心性取决于结构或时间的影响。从我们的分析中,我们突出了两个实际的贡献:一种方法来控制时间变化时,计算动态可通信性,以及广播和接收分数的结论,可以在一定范围内的情况下,被取代的加权邻接矩阵的矩阵指数的行和列的总和的数据。
2016-09-28 cs.SI physics.soc-ph
Centrality in Interconnected Multilayer Networks
现实世界的复杂系统表现出多层次的关系。在许多情况下,它们需要通过互连的多层网络来建模,同时在多个层面上表征相互作用。在许多领域,从经济学到生物学,从城市规划到社会科学,识别网络中影响最大(或影响较小)的节点至关重要。然而,在一个相互关联的结构中,确定行为体的中心地位并非易事。在本文中,我们利用张量的形式主义,最近提出的这种复杂的拓扑结构的特征和调查,显示几个中心的措施-众所周知的标准(“单路”)网络的情况下-可以自然地扩展到领域的互连复用。我们认为诊断广泛应用于不同领域,例如,计算机科学、生物学、通信和社会科学,仅举其中一些。我们表明,无论是理论上和数值上,使用加权单重聚合多层网络获得的结果,在一般情况下,相关的差异,在排名节点的重要性。
2013-11-12 cond-mat.dis-nn cs.SI physics.soc-ph
Analysing Health Misinformation with Advanced Centrality Metrics in Online Social Networks
针对在线社交网络中健康错误信息传播的复杂性,本研究提出动态影响力中心性、脆弱性中心性和传播中心性三种新指标,结合FibVID和Monant数据集验证,发现新旧指标结合能更有效识别关键节点并提升干预效果。
2025-07-11 cs.IR cs.SI physics.soc-ph
Beyond Content: How Author Network Centrality Drives Citation Disparities in Top AI Conferences
School of Management, Northwestern Polytechnical University(西北工业大学管理学院);School of Statistics and Mathematics, Yunnan University of Finance and Economics(云南财经大学统计与数学学院);School of Artificial Intelligence, OPtics and ElectroNics (iOPEN), Northwestern Polytechnical University(西北工业大学人工智能与光学电子学院)
本研究发现作者网络中心性显著影响引用差异,提出HCTCD指标并验证其在预测引用中的有效性,挑战传统评估范式。
2025-12-26 cs.DL cs.SI
Weighted H-index for identifying influential spreaders
传播是社会、生物和技术系统中普遍存在的过程。因此,识别有影响力的传播者,对于预防传染病传播和制定有效的预防接种策略具有重要的理论和现实意义。本文提出了一种基于虚拟节点扩展的加权h指标中心度来量化复杂网络中节点的扩散影响。在真实网络上的仿真结果表明,该方法提供了更准确,更一致的排名比五个经典的方法。此外,我们观察到,我们的措施的单调性和计算复杂性也可以产生优异的性能。
2017-10-15 cs.SI physics.soc-ph
Preliminary Results from a Peer-Led, Social Network Intervention, Augmented by Artificial Intelligence to Prevent HIV among Youth Experiencing Homelessness
在美国,每年有近400万青年无家可归,艾滋病毒感染率从3%到11.5%不等。同伴改变代理(PCA)模式的艾滋病毒预防已成功地用于许多人群,但也有显着的失败。近年来,网络干预主义者认为这些失败可能归因于PCA选择程序。被选中从事常设协调会工作的变革推动者本身往往与他们传达的信息一样重要。为了解决这个问题,我们测试了一种新的PCA干预YEH,有三个手臂:(1)一个手臂使用人工智能(AI)规划算法来选择PCA,(2)流行手臂-标准PCA方法-操作为最高程度中心性(DC),(3)仅观察比较组(OBS)。促进艾滋病毒检测、艾滋病毒知识和安全套使用的PCA模式对YEH有效。随着时间的推移,AI和DC武器都有所改善。基于人工智能的PCA选择带来了更好的结果,并提高了干预效果的速度。具体而言,在AI组中观察到的行为变化发生在1个月前,但在DC组中直到3个月。鉴于YEH的短暂性和HIV感染的高风险,更快速的干预效果是可取的。
2020-07-11 cs.CY cs.SI
Impact of Network Centrality and Income on Slowing Infection Spread after Outbreaks
2019冠状病毒病大流行揭示了人类流动网络和社会经济因素对全球传染病传播的重要影响。然而,很少有研究探讨了流动网络与社会空间不平等的相互作用,以了解感染的传播。我们引入了一种新的方法,称为感染延迟模型,来计算感染的到达时间在地理上如何变化,同时考虑到有效的基于距离的指标和地区隔离能力的差异-这是一个与社会经济不平等相关的特征。为了说明感染延迟模型的应用,本文将圣保罗大都市地区的家庭旅行调查数据与手机移动数据相结合,以评估封锁对减缓COVID-19传播的有效性。该模型不是在假设下一次大流行将在上一次大流行的同一地区开始的情况下运行,而是在每一种可能的爆发情况下估计感染延迟,从而可以对干预措施的有效性进行概括性的见解,以延迟一个地区的首例病例。该模型揭示了封锁减缓疾病传播的有效性如何受到流动网络和社会经济水平相互作用的影响。我们发现,网络中心性和封锁后的感染延迟之间出现了负相关关系,无论收入如何。此外,对于所有收入和中心水平的地区,封锁更有效地减缓了从较不中心的地方开始的疫情。使用感染延迟模型,本文识别和量化的疾病风险的一个新的维度所面临的最核心的移动网络。
2022-02-08 cs.CY 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
Average Distance Queries through Weighted Samples in Graphs and Metric Spaces: High Scalability with Tight Statistical Guarantees
Tel Aviv University(特拉维夫大学);Google Research(谷歌研究院)
从图中的节点到所有其他节点的平均距离,或者从度量空间中的查询点到一组点的平均距离,是数据分析中的基本量。平均距离的倒数,被称为节点的(经典的)接近中心性,是社交网络研究中流行的重要度量。我们通过加权采样的距离关系的稀疏性开发新的结构见解。在此基础上,我们提出了非常实用的算法,具有很强的统计保证的基本问题。我们表明,在一个图中的所有节点的平均距离(因此中心性)可以使用$O(ε^{-2})$单源距离计算估计。对于一组$V$的$n$点在度量空间中,我们表明,预处理后,使用$O(n)$距离计算,我们可以计算一个加权样本$S\subset V$的大小$O(ε^{-2})$,这样的平均距离从任何查询点$v$到$V$可以估计从$v$到$S$的距离。最后,我们表明,一组点$V$在度量空间中,我们可以估计平均成对距离使用$O(n+ε^{-2})$距离计算。该估计值基于$O(ε^{-2})$点对的加权样本,该样本使用$O(n)$距离计算进行计算。我们的估计是无偏的,归一化均方误差(NRMSE)最多$ε$。将样本量增加$O(\log n)$因子可确保相对误差超过$ε$的概率多项式较小。
2015-06-26 cs.LG cs.SI
A Random Dot Product Model for Weighted Networks
本文提出了一个推广的随机点积模型的网络,其边的权重是从一个参数化的概率分布。我们专注于整数权重边缘的情况下,许多以前研究的模型可以恢复为这种推广的特殊情况。我们的模型还确定了一个维度-减少嵌入过程,给出了几何解释的社区结构和中心。嵌入的尺寸有后果的衍生社区结构,我们表现出的压力函数,以确定适当的尺寸。我们使用这种方法来分析来自美国参议院的合著网络和投票数据。
2016-11-08 cs.SI physics.soc-ph stat.AP
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
Local Search for Group Closeness Maximization on Big Graphs
在网络分析和图挖掘中,接近中心度是一种常用的度量,用来推断一个顶点的重要性。有效地计算单个顶点的贴近度受到了相当大的关注。而群贴近度最大化的NP-难问题则更具挑战性:目标是找到一个整体上处于中心的顶点群,并且最先进的算法还不能扩展到非常大的图。在本文中,我们提出了新的局部搜索算法的群体贴近度最大化。通过使用随机逼近技术和动态数据结构,我们的算法往往能够有效地执行局部最优决策。最终的结果是一个具有高(但不是最佳)接近中心性的组。我们比较我们的算法,目前国家的最先进的贪婪启发式加权和未加权现实世界的图形。对于具有数亿条边的图,我们的局部搜索算法只需要大约十分钟,而贪婪算法需要十多个小时。总的来说,我们的新算法快了一到两个数量级,具体取决于所需的组大小和解决方案质量。例如,在加权图和$k = 10$上,我们的算法产生更高质量的$12,4\%$的解决方案,同时也是$793,6\times$更快。对于未加权图和$k = 10$,我们在$99,4\%$中实现了最先进质量的解决方案,同时$127,8\times$更快。
2019-11-08 cs.DS cs.SI