Temporal Motifs in Smart Grid
一个复杂的网络可以用模式来表征。这种频繁出现的重要模式被称为模体，在时间依赖网络中，它们被称为时间模体。其中时间图案被观察到并发挥重要作用的时间网络之一是智能电网。家电、房屋、社区和整个城市的能源消耗模式有助于能源公用事业公司和消费者规划他们的发电和消费。智能电网的时间主题由消费者和生产者组成，边缘或连接表示网络的两个参与者之间的能量流，这些连接持续到电力被消耗/产生。本文形式化地定义了智能电网的时态基元，并提出了一种在智能电网中创建时态基元的方法。我们还讨论了时间模体如何适应智能电网配电系统的层次结构。
2021-02-03 cs.SI
Analytical Models for Motifs in Temporal Networks: Discovering Trends and Anomalies
动态演化网络捕获诸如社交网络、通信网络和金融交易网络等领域中的时间关系。在这样的网络中，时间模体，这是重复的时间戳边缘/交易序列，提供有关网络的演变和功能的有价值的信息。然而，目前没有分析模型的时间图存在，也没有模型，将允许可扩展的建模时间基序频率随时间的推移。在这里，我们开发的时间活动状态块模型（TASBM），在时间图建模的时间图案。我们开发了有效的模型拟合方法，并推导出封闭形式的表达式预期的基序频率和它们的方差在一个给定的时间网络，从而使统计上显着的时间基序的发现。我们的TASMB框架可以准确地跟踪预期基序频率随时间的变化，并且可以很好地扩展到具有数千万条边/事务的网络，因为它不需要耗时生成许多随机时间网络，然后计算每个网络的基序计数。我们表明，TASBM是能够随着时间的推移，在金融交易，电话和电子邮件网络的网络时间活动的变化模型。此外，我们表明，偏离预期的基序计数计算我们的分析框架对应于异常的金融交易和电话网络。
2021-12-30 cs.SI
Motifs in Temporal Networks
网络是在各种领域中对复杂系统进行建模的基本工具，包括社会和通信网络以及生物学和神经科学。网络中的小子图模式，称为网络模体，对于理解这些系统的结构和功能至关重要。然而，在时间网络中，其中包含许多节点之间的时间戳链接的网络图案的作用，还没有很好地理解。在这里，我们开发了一个概念的时间网络的基本单元的时间网络的图案，并提供了一个通用的方法来计算这样的图案。我们定义的时间网络图案的时间边缘序列上的诱导子图，设计快速算法计数的时间图案，并证明其运行时的复杂性。与基线方法相比，我们的快速算法实现了高达56.5倍的加速比。此外，我们使用我们的算法来计算各种网络中的时间图案。结果表明，来自不同领域的网络具有显着不同的模体计数，而来自相同领域的网络往往具有相似的模体计数。我们还发现，不同的模体发生在不同的时间尺度，这提供了进一步的见解的结构和功能的时间网络。
2016-12-29 cs.SI physics.soc-ph stat.ML
Scalable Temporal Motif Densest Subnetwork Discovery
针对时间网络中高阶模体稠密子网络发现的空白，提出两种带概率保证的随机近似算法，可高效处理数十亿边规模的网络，性能优于基线，能揭示金融网络的突发事件与用户社区等结构。
2024-06-25 cs.DS cs.SI
Temporal motifs in time-dependent networks
时间网络通常用于表示元素之间的连接仅在有限的时间段内有效的系统，例如电信网络，神经信号处理，生化反应和人类社会互动。我们引入时间模体的框架来研究时间网络的中尺度拓扑-时间结构，其中节点的事件在时间上不重叠。时间模体是一类相似的事件序列，其中相似性不仅指拓扑结构，而且指事件的时间顺序。我们提供了一个映射从事件序列到彩色有向图，使一个有效的算法识别时间图案。我们讨论了一些方面的时间图案，包括因果关系和空模型，并提出了一个大型的移动电话网络的时间图案的基本统计。
2011-10-10 cs.SI physics.data-an physics.soc-ph
PRESTO: Simple and Scalable Sampling Techniques for the Rigorous Approximation of Temporal Motif Counts
University of Padova（帕多瓦大学）
小图模式（称为网络模体）的识别和计数是网络分析中的基本要素，在从社交网络到神经科学的各个领域都有应用。已经设计了几种技术来计算静态网络中基序的出现，最近的工作集中在大型网络提供的计算挑战上。现代网络数据集包含丰富的信息，例如由网络边缘建模的事件发生的时间，这可以为网络建模的过程提供有用的见解。时序网络中的模体分析，称为时序模体，正在成为现代网络数据集分析的一个重要组成部分。最近已经设计了几种方法来计算时间网络中时间模体的实例数量，这比静态网络更具挑战性。这些方法要么是精确的，不适用于大型网络，要么是近似的，但只能对它们产生的估计提供弱保证，并且不能扩展到非常大的网络。在这项工作中，我们提出了一个有效的和可扩展的算法，以获得严格的近似时间图案的计数。我们的算法是基于一个简单但有效的采样方法，这使得我们的算法适用于非常大的数据集。我们广泛的实验评估表明，我们的算法提供的时间基序计数的估计是更准确的比国家的最先进的采样算法，显着降低运行时间比精确的方法，使时间基序的研究，大小大于在以前的作品中考虑的，十亿边缘网络。
2021-01-18 cs.DS cs.LG cs.SI
Exact and sampling methods for mining higher-order motifs in large hypergraphs
针对大型超图中小子超图模式计数问题，提出利用高阶结构的精确挖掘方法及超边采样近似方法，在真实数据集上验证其可突破精确方法的计算极限，实现更快更大规模的高阶模体提取。
2023-10-02 cs.DS cs.SI physics.soc-ph
Triadic First-Order Logic Queries in Temporal Networks
本文首次提出面向大规模时序网络的阈值化一阶逻辑三元模体查询算法 FOLTY，其理论运行时间与最优时序三角形计数相当，并能在普通硬件上高效处理近 7000 万条边的图。
2025-07-23 cs.DB cs.DS cs.IR
Temporal Motif Participation Profiles for Analyzing Node Similarity in Temporal Networks
Case Western Reserve University（凯斯西储大学）
本文提出时间 motif 参与度谱（TMPPs）用于分析时间网络中节点相似性，通过模拟实验和案例研究展示其在揭示节点角色相似性方面的有效性。
2026-02-03 cs.SI physics.soc-ph
Motifs in temporal hypergraphs
Central European University（中欧大学）；Luiss University（鲁伊斯大学）
本文提出时间超图模体概念及精确枚举算法，通过动态规划加速并引入零模型，在多个真实数据集上揭示系统局部组织模式。
2026-09-14 cs.DS cs.SI physics.soc-ph
Scalable Motif Counting for Large-scale Temporal Graphs
Ocean University of China（中国海洋大学）；Massachusetts Institute of Technology（麻省理工学院）；The University of Hong Kong（香港大学）
时间图分析中的一个基本问题是对小的连通子图模式（即，基序），这有益于广泛的现实世界应用，诸如异常检测、结构预测和网络表示学习。然而，现有的工作集中在精确的时间模体是不可扩展的大规模时间图数据，由于其沉重的计算成本或固有的并行性不足。在这项工作中，我们提出了一个可扩展的并行框架，精确计数的时间图案在大规模的时间图。我们首先分类的时间图案基于其独特的属性，然后设计定制的算法，提供有效的策略，以准确地计算每个类别的主题实例。此外，我们紧凑的数据结构，即三重和四重计数器，使我们的算法能够直接识别每个类别的时间模体实例，根据边缘信息和边缘之间的关系，从而显着提高计数效率。基于所提出的计数算法，我们设计了一个分层的并行框架，具有节点间和节点内的并行策略，并充分利用现代CPU的多线程能力，并发地计算所有的时间图案。在16个真实世界的时态图数据集上进行的大量实验证明了我们提出的时态基序计数框架的优越性和能力，与最先进的方法相比，实现了高达538* 的加速比。我们的方法的源代码可在https://github.com/steven-ccq/FAST-temporal-motif上获得。
2022-04-20 cs.LG cs.SI
THyMe+: Temporal Hypergraph Motifs and Fast Algorithms for Exact Counting
群体互动出现在我们的日常生活中（电子邮件通信，按需乘车共享，在线社区上的评论互动，仅举几例），它们共同形成随时间演变的超图。给定这样的时间超图，我们如何描述它们的基本设计原理？如果它们的大小和时间跨度相差很大，我们如何比较它们的结构和时间特征？在这项工作中，我们定义了96个时间超图模体（TH-模体），并提出了它们的实例的相对出现作为上述问题的答案。TH-基序将短时间内出现的三个连接的超边之间的关系和时间动态进行分类。对于可扩展的分析，我们开发了THyMe+，一种快速准确的算法，用于计算大规模超图中TH基序的实例，并表明THyMe+最多快2,163倍，同时需要比基线更少的空间。使用它，我们调查了11个现实世界的时间超图从不同的领域。我们证明，TH-图案提供了重要的信息，有用的下游任务，并揭示有趣的模式，包括惊人的相似性时间超图从同一个域。
2021-09-17 cs.SI
Using Motif Transitions for Temporal Graph Generation
University at Buffalo（布法罗大学）
提出模体转移模型（MTM），通过将新事件建模为时序模体转移过程来生成合成时序网络，在保留全局和局部时序图统计量及运行时间上优于基线。
2023-06-19 cs.AI cs.SI
Sampling motif-constrained ensembles of networks
网络特性的统计显著性取决于满足特定特性但在其他方面是随机的零模型。指数随机图模型是生成这种约束集合的原则性理论框架，但由于模型不一致，或者由于不可能从中对网络进行采样，因此在实践中经常失败。这些问题影响了网络的重要情况下，规定的聚类系数或小连通子图（图案）的数量。在本文中，我们使用的Wang-Landau方法，以获得一个多典型的采样，克服了这两个问题。我们的样本，在多项式时间内，网络工程与任意程度的序列，从合奏与强加的图案计数。将这种方法应用于社交网络，我们研究了传递性和同质性之间的关系，我们量化了不同类型的基序之间的相关性，发现单个基序可以解释高达60%的基序配置文件的变化。
2015-11-17 cond-mat.stat-mech cs.SI physics.soc-ph
ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Washington State University（华盛顿州立大学）
网络是表示各种复杂系统的基本和灵活的方式。许多领域，如通信，引用，采购，生物学，社交媒体和运输，可以建模为一组实体及其关系。时间网络是一般网络的特殊化，其中系统的时间演化与实体和关系的结构一样重要。我们提出了独立的时间模体（ITeM）的时间图从不同的领域进行表征。ITeM是边不相交的时间图案，可以用来模拟图的结构和演化。对于给定的时间图，我们生成ITeM频率的特征向量，并将此分布应用于测量时间图相似性的任务。我们表明，ITeM具有更高的准确性比其他基序频率为基础的方法。我们定义了各种指标的基础上ITeM，揭示了显着的时间网络的属性。我们还提出了重要性采样作为一种有效地估计ITeM计数的方法。我们评估我们的方法合成和真实的时间网络。
2020-08-06 cs.AI cs.SI
Mixed Random Sampling of Frames method for counting number of motifs
本文研究了大型网络中三节点和四节点网络模体的频率计算问题。电信网络，细胞分子网络进行了研究。所研究的网络的规模是数十万个节点和连接。这些网络以有向和无向简单图的形式表示。对于如此大的图，精确计算需要巨大的计算资源。提出了一种用蒙特卡罗方法计算网络模体频率的方法，并控制了计算的精度。所提出的有效方法使变异系数的值最小化。
2019-04-04 cs.SI physics.soc-ph
Stochastic Event Prediction via Temporal Motif Transitions
University at Buffalo（布法罗大学）
STEP通过时间模式转换和泊松过程建模，实现连续时间序列预测，提升事件预测精度和效率。
2026-03-06 cs.LG cs.SI
TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent Neighbor Aggregation
Zhejiang University（浙江大学）
演化的时间网络是许多现实动态系统的抽象，例如，社交网络和电子商务。时间网络嵌入的目的是将每个节点映射到用于下游任务的时间演进低维向量，例如，链接预测和节点分类。时态网络嵌入的难点在于如何联合利用拓扑和时间信息来捕捉时态网络的演化。针对这一挑战，我们提出了一种基于双组分邻域聚合的时间基元保持网络嵌入方法，称为TME-BNA。考虑到时间模体对于理解时间网络的拓扑规律和功能特性至关重要，TME-BNA基于时间模体构造额外的边特征，以显式地利用具有时间信息的复杂拓扑结构.为了捕捉节点的拓扑动态，TME-BNA利用图神经网络（GNNs）根据连接边的时间戳分别聚合历史和当前邻居。在三个公共时态网络数据集上进行了实验，结果表明了TME-BNA的有效性。
2021-10-26 cs.LG cs.SI
Insights and caveats from mining local and global temporal motifs in cryptocurrency transaction networks
本文利用时间模体分析比特币和NFT交易网络，揭示全局模体计数存在误导性，并发现用户模体分布呈重尾、关键参与者签名多样，以及时间分段和完成时间能暴露隐藏的异常活动与行为动态。
2024-10-04 cs.SI
Analysing Collective Behaviour in Temporal Networks Using Event Graphs and Temporal Motifs
历史上，对网络行为的研究主要集中在个人行为（基于节点）或整个网络的聚合行为上。我们提出了一种新的方法来分解一个时间网络的宏观组件，并分析这些组件的行为，或集体的节点，跨时间。该方法利用时间网络中的所有可用信息（即没有时间聚合），使用时间主题和事件间时间将拓扑结构和时间结构相结合。这使我们能够创建一个时间网络的嵌入，以描述随着时间的推移和不同时间尺度的行为。我们使用从在线社交网络收集的数字通信数据的例子来说明这种方法。
2018-08-15 cs.SI nlin.AO physics.soc-ph
Evaluation and Comparison of Diffusion Models with Motif Features
扩散模型模拟影响在网络中的传播。扩散模型的设计和评价一直是主观和经验的。当应用于由图表示的网络时，扩散模型生成影响在其上流动的边的序列，这样的序列形成时间网络。在大多数情况下，通过分析由扩散模型生成的时间网络来推断网络的统计属性或特征。为了分析真实的时间网络，模体已被提出作为一个可靠的功能。然而，目前还不清楚网络拓扑结构和扩散模型如何影响生成的时序网络的模体特征。本文采用模体特征对扩散模型生成的时间图进行评价，进而评价扩散模型本身。提出了定量评价具有模体的扩散模型的两个基准：稳定性和可分性，并在众多扩散模型上进行了测量。提出了一种基于模体的扩散模型相似性度量方法。实验结果表明，生成的时间网络的模体主要由扩散模型决定，而网络拓扑几乎被忽略。这一结果表明，更实用和可靠的扩散模型，必须精心设计，以捕捉真实的时间网络的传播模式。
2020-12-12 cs.NI cs.SI
Generalizing Egocentric Temporal Neighborhoods to probe for spatial correlations in temporal networks and infer their topology
本文提出不受节点和边规模限制且包含三角形的 edge-centered motifs，用最大熵验证其信息增益，并据此探测空间关联、近似分布及推断网络完整拓扑，开创 graph tiling theory。
2025-05-09 cs.SI physics.soc-ph
Motif Discovery Algorithms in Static and Temporal Networks: A Survey
模体是复杂系统的基本组成部分。代表复杂系统的网络的拓扑结构以及这些网络中的基序的频率和分布是交织在一起的。图和子图同构问题作为频繁子图挖掘的核心问题，其复杂性直接影响到模体发现算法的性能。为了应对这些复杂性，研究人员采用了不同的策略来进行候选生成和枚举，以及频率计算。在过去的几年里，人们对时态网络的分析和挖掘越来越感兴趣。与静态网络相比，这些网络会随着时间的推移以边、顶点或其属性的插入、删除或替换的形式发生变化。在本文中，我们提供了一个调查的主题发现算法在文献中提出的挖掘静态和时间的网络和审查相应的算法的基础上，他们采用的候选人生成和频率计算的策略。随着社交媒体平台、生物信息学应用、通信和交通网络中大量网络数据的产生以及分布式计算和大数据技术的发展，我们也对解决静态和时态网络挖掘中CPU和I/O受限问题的算法进行了综述。
2020-05-19 cs.SI math.CO physics.soc-ph
Using network motifs to characterize temporal network evolution leading to diffusion inhibition
网络模体是网络中过度表示的节点交互的模式，其先前已被用作构建块以理解社交网络的各个方面。本文利用模体模式来刻画社交网络中的信息扩散过程。我们研究信息级联的生命周期，以了解是什么导致级联再共享增长饱和，从而导致过期，我们称之为“扩散抑制”的事件。在试图了解是什么原因导致抑制，我们使用图案来剖析网络获得的信息级联加上历史扩散或社会网络链接的痕迹。我们的主要结果来自于对微博平台和Flixster电影评级的级联数据集的实验。我们观察了5节点无向基序的时间计数从级联时间网络导致抑制阶段。从分析中得出的经验证据使我们得出以下关于抑制前阶段的结论：（1）个体倾向于更多地从他们过去通过社交网络或先前的交互而认识的用户处采用信息，从而比具有线性链的非循环模式更频繁地创建包含三元组的模式，以及（2）用户需要多次曝光或多轮社会强化才能接受信息，结果信息开始缓慢传播，从而导致级联死亡。根据这些观察结果，我们使用基于基序的特征来预测抑制时网络的边缘基数。我们测试功能的图案模式，通过使用回归模型的个人模式和他们的组合，我们发现，图案的功能是更好的预测未来的网络组织比个人节点的中心。
2019-03-03 cs.SI
Network Classification in Temporal Networks Using Motifs
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM UK（IBM英国公司）；Cardiff University（卡迪夫大学）
网络分类有多种应用，例如检测网络内的社区以及寻找代表现实世界不同方面的社区之间的相似性。然而，大多数现有的工作在这一领域集中在检查静态无向网络，而不考虑有向边缘或时间性。在本文中，我们提出了一种新的方法，利用特征表示网络分类的时间基序分布的网络和空模型进行比较，对随机图。实验结果表明，我们的方法提高了$10\%$的准确性相比，国家的最先进的嵌入方法在网络分类，任务，如分类网络类型，识别社区的电子邮件交换网络，并确定用户的应用程序切换行为。
2018-08-07 cs.LG cs.SI
Temporal Motifs in Patent Opposition and Collaboration Networks
专利是反映公司和组织创新活动的知识产权。文献中有大量的研究分析了专利之间的引用和拥有专利的公司之间的合作关系。然而，专利权人之间的对抗关系并没有得到很好的研究。模拟这种关系的一个代理是专利异议，这是一种公司质疑专利有效性的法律活动。描述专利对抗、合作以及它们之间的相互作用有助于更好地理解公司的商业战略。在这种情况下，时间性很重要，因为对立和合作的顺序和频率是它们相互作用的特征。在本研究中，我们建构了一个两层的时间网络来模拟公司间的专利对抗与合作。我们利用时间母题从结构和时间的角度来分析对立和合作。我们首先描述了专利对抗中常见的主题，并调查了不同规模的公司攻击其他公司的频率。我们发现，大公司往往从事反对与多家公司。然后，我们分析了合作和反对之间的时间相互作用。我们发现，两个敌对的公司更有可能在未来合作，而不是两个合作的公司在未来相互反对。
2022-02-04 cs.SI physics.soc-ph
Moss: A Scalable Tool for Efficiently Sampling and Counting 4- and 5-Node Graphlets
计算3-、4-和5-节点无向基序（也称为graphlet）的频率被广泛用于理解复杂网络，如社交和生物网络。然而，由于计算量大，对于大型图计算这些指标是一个很大的挑战。尽管最近努力计算三角形（即，3-节点无向基序计数），很少注意开发可用于表征4-和5-节点基序的可缩放工具。在本文中，我们开发了计算效率的方法来采样和计数4-和5-节点无向图案。我们的方法提供了无偏估计的基序频率，我们推导出简单而精确的公式的方差估计。此外，我们的方法被设计为适合顶点为中心的编程模型，所以它们可以很容易地应用到当前的图计算系统，如Pregel和GraphLab。我们在各种真实数据集上进行了实验，实验结果表明，在相同的估计误差下，我们的方法比现有的方法快几个数量级。
2015-12-17 cs.SI
Temporal motifs reveal homophily, gender-specific patterns and group talk in mobile communication networks
电子通信记录提供了关于人类交互的时间方面的详细信息。以往的研究表明，个体的交流模式具有复杂的时间结构，这种结构具有系统范围的影响。在本文中，我们使用移动电话记录表明，涉及多个人的互动模式具有非平凡的时间结构，不能推断出从网络演示，其中只考虑互动频率。我们应用最近推出的方法，时间图案，以确定在时间网络中的节点有额外的属性，如性别和年龄的互动模式。然后，我们开发了一个空模型，允许识别各种类型的节点之间的差异，使这些差异是独立的网络的基础上的互动频率。我们发现性别相关的差异，在通信模式，并显示存在的时间同质性，类似的个人参与互动模式的趋势超出了预期的网络结构的基础上。我们还表明，时间模式不同的密集和稀疏的网络部分。因为这个结果与边的权重无关，所以它可以被认为是Granoblutter假设在时间网络中的扩展。
2013-02-11 cs.SI physics.data-an physics.soc-ph
Temporal Motifs for Financial Networks: A Study on Mercari, JPMC, and Venmo Platforms
J.P. Morgan Chase AI；Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）；Amazon（亚马逊）；Optum Labs（Optum 实验室）；Mercari, Inc.（Mercari 公司）；Department of Mathematics and Computational, University at Buffalo（数学与计算系，布法罗大学）；Data-Enabled Science and Engineering Program, University at Buffalo（数据赋能科学与工程计划，布法罗大学）
本研究提出基于时间模体的方法，在Mercari、JPMC和Venmo三个金融网络中解决欺诈检测、友谊预测和商家识别等任务，实验证明其性能优于多种基线方法且运行高效。
2025-07-11 cs.AI cs.SI
DYMOND: DYnamic MOtif-NoDes Network Generative Model
Purdue University（普渡大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文提出动态模体-节点网络生成模型DYMOND，利用时序模体活动和节点角色捕捉图结构动态变化，并改进时序评估指标，在真实网络上优于基线模型。
2023-08-01 cs.LG cs.SI
Temporal Network Sampling
Intel Labs（英特尔实验室）；Texas A&M University（得克萨斯农工大学）；Adobe Research（奥多比研究院）
时间网络代表了一个流的时间戳边缘似乎无处不在，在现实世界中。然而，这些网络的巨大规模和连续性使其在分析和利用描述性和预测性建模任务方面具有根本性的挑战。在这项工作中，我们提出了一个具有无偏估计的时间网络采样的一般框架。我们开发在线，单通采样算法和无偏估计的时间网络采样。所提出的算法能够快速，准确，和内存效率的时间网络模式和属性的统计估计。此外，我们提出了一个时间衰减采样算法与无偏估计研究网络的发展，在连续的时间，其中的链接的强度是时间的函数，和图案的时间加权。与先前的$\bigtriangleup t$ -时间基序的概念相反，所提出的用于对时间加权基序进行计数的公式和算法对于预测网络中的任务是有用的，例如预测未来的链路，或者节点和链路的未来时间序列变量。最后，在不同领域的各种时态网络上的实验证明了所提出的算法的有效性。提供了详细的消融研究，以了解拟议框架的各个组成部分的影响。
2021-01-07 cs.DS cs.LG cs.SI
Leveraging Motifs to Model the Temporal Dynamics of Diffusion Networks
基于社会影响力模型的信息扩散机制主要研究了当活跃邻居向用户暴露消息时采用的可能性。这个问题主要源于这样一个事实，即在大多数情况下，在易感节点被感染之前，社交网络中的一组活跃邻居中谁暴露了谁的明确信息是不可用的。在本文中，我们试图通过研究级联的时间网络结构来理解通过信息级联的扩散过程。在这样做的过程中，我们通过网络修剪技术，利用网络图案，以确定潜在的感染者负责从这些活跃的邻居之间的暴露，适应从一个节点的活跃邻居的曝光的影响。我们试图评估级联动力学建模中使用的组件的有效性，特别是暴露信息的附加效果是否有用。根据这个模型，我们开发了一种推理算法，即InferCut，它使用从模型和暴露信息中学习到的参数来预测给定级联中每个潜在易感用户的实际父结点。通过对真实世界微博社交网络数据集的实证分析，证明了在扩散过程的早期阶段，引入暴露信息对恢复暴露用户的确切父母的重要性。
2020-03-23 cs.SI physics.soc-ph
Sampling Subgraph Network with Application to Graph Classification
图自然地用于描述生物学、社会、计算机科学等中的各种真实世界系统的结构，其中子图或模体作为基本块在函数表达和信息处理中起着重要作用。然而，现有的研究主要集中在某些基元的基本统计上，很大程度上忽略了它们之间的连接模式。近年来，人们提出了一种子图网络（SGN）模型来研究模体之间的潜在结构，并发现SGN的集成可以增强一系列图分类方法。但SGN模型缺乏多样性，时间复杂度较高，难以在实际中广泛应用。本文将采样策略引入SGN，设计了一种新的采样子图网络模型，该模型具有规模可控性和多样性。我们还提出了一个分层的特征融合框架，以集成不同的采样SGN的结构特征，从而提高图分类的性能。大量的实验表明，与SGN模型相比，新模型确实具有更低的时间复杂度（降低了两个数量级），并能更好地增强一系列图分类方法（性能提升一倍）。
2021-02-10 cs.SI
Efficiently Estimating Motif Statistics of Large Networks
探索局部连接子图模式（也称为网络模体）的统计数据有助于研究人员更好地理解生物和在线社交网络（OSN）的结构和功能。如今，一些关键网络的巨大规模-通常存储在已经过载的关系数据库中-有效地限制了节点和边的探索速度，使准确发现子图统计信息成为一项挑战。在这项工作中，我们提出了抽样方法，以准确地估计子图统计数据，尽可能少的查询节点。我们提出了采样算法，有效地和准确地估计子图的大规模网络的属性。我们的算法不需要预先计算或完整的网络拓扑信息。同时，我们提供了收敛的理论保证。我们使用广泛已知的数据集进行实验，并表明，对于相同的精度，我们的算法需要一个数量级的查询（样本）比目前最先进的算法。
2014-03-27 cs.SI physics.soc-ph
Motif Counting in Complex Networks: A Comprehensive Survey
本综述系统梳理一般图、异质图和超图中的模体计数技术，分类比较算法策略，并展望可扩展实现、动态图适配及与LLM和GraphRAG集成等未来方向。
2025-03-25 cs.DB cs.SI
Waddling Random Walk: Fast and Accurate Mining of Motif Statistics in Large Graphs
用于挖掘非常大的图（例如表示在线社交网络的图）以发现其中小的子图的相对频率的算法对社会学家、计算机科学家和市场营销人员都具有很高的兴趣。然而，通过朴素枚举来计算这些网络基序统计是不可行的，因为其过高的计算成本或对完整图数据的访问限制。基于随机游走通过仅对大型图中的一小部分子图进行采样来估计模体统计的方法解决了这两个挑战。在本文中，我们提出了一种新的算法，称为摇摆随机行走（WRW），估计浓度的图案的任何大小。它的名字来源于这样一个事实，即它向左和向右摆动一点，因此也对不直接位于随机游走路径上的节点进行采样。WRW算法通过不尝试枚举随机游走周围的子图，而是使用随机化协议对游走访问的节点附近的子图进行采样来实现其计算效率。此外，WRW实现了显着更高的准确性（通过其估计值与正确值的接近程度来衡量）和更高的精度（通过其估计值的低方差来衡量），而不是目前最先进的挖掘子图统计数据的算法。我们使用代表真实网络的知名和广泛使用的图数据集进行模拟，说明了这些在速度，准确性和精度方面的优势。
2017-06-14 cs.SI
Flow Motifs Reveal Limitations of the Static Framework to Represent Human interactions
网络通常用于定义感染、信息或其他数量可能传播的底层交互结构。虽然标准的方法是将所有链接聚合到一个静态结构中，但一些研究表明，链接建立的时间顺序可能会改变传播的动态。在本文中，我们研究的时间顺序的流量限制的各种经验时间网络的影响。通过使用随机游走动力学，我们估计链路上的流量，并将原始的无向网络（时间和静态）转换为有向流网络。然后，我们引入流图案的概念和量化的分歧时，使用的时间和静态框架的图案的代表性。我们发现，接触的规律性和持久性的顶点（常见的电子邮件通信和面对面的互动）的结果在两个框架的流量限制上的差异不大。另一方面，在约会网站（和性网络）内的通信的情况下，顶点之间的流在时间框架中显著变化，使得静态近似很难表示联系人的结构。我们还观察到，具有3个和4个顶点的仅包含低流链路的集团比具有所有高流链路的相同集团更有代表性。这些低流量集团的代表性较高的时间框架。我们的研究结果表明，在集团连接的顶点之间的流量取决于它们被放置在拓扑环境中，并在建立链接的时间序列。团的结构本身并不能完全表征顶点之间的流动势。
2013-03-13 cs.SI physics.data-an physics.soc-ph
Motif Prediction with Graph Neural Networks
ETH Zurich（苏黎世联邦理工学院）；University of Geneva（日内瓦大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
链接预测是图挖掘的核心问题之一。然而，最近的研究强调了高阶网络分析的重要性，其中称为基序的复杂结构是一等公民。我们首先表明，现有的链接预测计划未能有效地预测图案。为了缓解这一点，我们建立了一个一般的主题预测问题，我们提出了几个算法，评估一个指定的主题出现的机会。为了使分数真实，我们的算法考虑了链接之间的相关性，即，在给定的主题中，一些到达的链接对其他链接的外观的潜在影响。最后，为了获得最高的准确度，我们开发了一个用于模体预测的图神经网络（GNN）架构。我们的架构提供了顶点功能和采样方案，捕捉图案丰富的结构特性。虽然我们的算法速度很快，不需要任何训练，但GNN确保了预测基序的最高准确性，无论是对于密集（例如，k-团）和对于稀疏团（例如，k-stars）。我们的表现始终优于最佳竞争对手，平均超过10%，曲线下面积高达32%。重要的是，我们的方法的优势，不相关的链接预测的基础上的计划增加的主题的大小和复杂性。我们还成功地应用我们的架构来预测更任意的集群和社区，说明了它的潜力，图挖掘超越主题分析。
2022-05-21 cs.LG cs.SI
Minfer: Inferring Motif Statistics From Sampled Edges
特征化基序（即，局部连接子图模式）统计对于理解诸如在线社交网络和通信网络的复杂网络是重要的。以前的工作做了很强的假设，即感兴趣的图拓扑是已知的，并且数据集要么适合主内存，要么存储在磁盘上，这样获得任何给定节点的所有邻居并不昂贵。在实践中，研究人员必须处理图拓扑未知的情况，因为图是动态的，或者因为收集和存储所有拓扑和Meta信息在磁盘上是昂贵的。因此，研究人员可以使用的只是通过从图中随机采样边缘生成的图的快照，我们称之为“重新采样图”。显然，重新采样图的基序统计可能与底层的原始图完全不同。为了解决这一挑战，我们提出了一个框架，并实现了一个名为Minfer的系统，它可以采取给定的重新采样图，并准确地推断底层图的主题统计。我们还使用Fisher信息来限制我们估计的误差。在大规模数据集上的实验表明，该方法具有较好的准确性.
2015-02-24 cs.SI physics.soc-ph
Sequential Motifs in Observed Walks
复杂网络的结构可以通过计算和分析网络模体来表征。模体是在网络中重复出现的小的子图，如三角形或链。最近的工作已经将图案推广到时间和动态网络数据。然而，现有的技术没有推广到顺序或轨迹数据，其表示通过网络的节点移动的实体，例如通过运输网络移动的乘客。这些数据中的观测单位是根本不同的，因为我们分析轨迹的完整观测（例如，从机场A通过机场B到机场C的旅行），而不是对边的独立观察或图随时间的快照。在这项工作中，我们定义了连续图案的轨迹数据，这是小的，有向的，和边加权子图对应的模式在观察到的序列。我们绘制了一个连接的计数和分析的顺序图案和高阶网络（HON）模型。我们表明，通过映射边缘的HON，特别是一个$k$第阶DeBruijn图，顺序图案，我们可以计算和评估它们的重要性，在观察到的数据。我们用两个数据集测试我们的方法：（1）乘客浏览机场网络和（2）人们浏览维基百科文章网络。我们发现，最普遍和最重要的顺序图案对应于直观的模式，在真实的系统中的遍历，并经验表明，在观察到的高阶DeBruijn图的边缘权重的异质性有影响的顺序图案的分布，我们希望看到我们的空模型。
2022-01-03 cs.SI physics.soc-ph
Sampling Algorithms for Butterfly Counting on Temporal Bipartite Graphs
针对时间二分图上的蝴蝶计数问题，提出包含三种采样策略的通用框架，通过近似估计实现高效准确计数，并在六个真实数据集上验证了优越性能。
2023-10-18 cs.DB cs.DS cs.SI
Path homology and temporal networks
我们提出了一个算法来计算简单的有向图的路径同源性，并用它来拓扑分析各种小的有向图的路线上的分析，表现出这样的有向图作为底层图案的复杂的时间网络。所分析的有向图包括所有有向图、有向无圈图和顶点数不超过一定的无向图，以及一些特殊构造的情况。利用这种分析的信息，我们确定了小的有向图有助于路径同源性的尺寸$2$为三个时间网络，这些有向图网络行为。我们的结论是，路径同源性可以提供洞察时间网络结构，反之亦然。
2020-08-27 cs.SI math.AT
The Temporal Event Graph
时间网络越来越多地被用于模拟复杂系统的相互作用。大多数研究需要将边缘（或事件）的时间聚合成离散的时间步长来执行分析。在这篇文章中，我们描述了一个静态的，无损的，和唯一的时间网络表示，时间事件图（TEG）。TEG描述的时间网络的事件间的时间和两个事件的时间模体分布。通过统一考虑这些分布，我们提供了一种新的方法来描述时间网络中个人和集体的行为，并提供了网络的自然分解。我们说明了实用的TEG合成和真实的时间网络上提供的例子。
2017-06-07 cs.SI nlin.AO physics.data-an
Link Prediction via Higher-Order Motif Features
College of Science and Engineering, HBKU（哈马德·本·哈利法大学科学与工程学院）；ISI Foundation（ISI基金会）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
链接预测需要预测哪些新链接可能出现在图中。能够以良好的准确性预测看不见的链接在社交媒体、安全、交通和推荐系统等多个领域具有重要的应用。一种常见的方法是使用基于未连接节点对的公共邻居的特征来预测该对节点将来是否会形成链接。在本文中，我们提出了一种链接预测的方法，依赖于图拓扑结构的高阶分析，远远超出了共同的邻居。我们把链接预测问题作为一个监督分类问题，我们提出了一组功能，依赖于一对节点出现的模式或图案。通过使用大小为3、4和5的图案，我们的方法捕获了关于节点对邻域内的图拓扑的高级别细节，这导致了更高的分类准确度。除了提出使用基于基序的特征之外，我们还提出了两个与从图中构建分类数据集相关的优化。首先，为了确保在提取特征时平等对待正面和负面示例，我们建议将负面示例添加到图中，作为删除正面示例的常见方法的替代方案。其次，我们表明，重要的是要控制最短路径的距离时，采样对节点，以形成负的例子，因为预测的难度随最短路径的距离。我们的实验表明，使用现成的分类器与构造良好的分类数据集的结果在高达10个百分点的准确性比以前的基于拓扑和特征学习方法。
2020-06-04 cs.LG cs.SI stat.ML
Weighted temporal event graphs
时间网络事件的时间及其相关性包含了网络功能的信息，它们影响着网络上发生的动态过程。为了从相关事件时间中提取信息，已经开发了诸如时间模体分析的技术。我们讨论了一个最近推出的，更一般的框架，映射到静态图的时间网络结构，同时保留信息的时间尊重路径和它们的后续事件之间的时间差。该框架建立在加权时间事件图：有向无环图（DAG），包含所有时间路径的叠加。我们向读者介绍时间事件图映射和相关的计算方法，并通过将框架应用于时间网络渗流来说明其用途。
2019-12-09 cs.SI physics.soc-ph
MANTRA: Temporal Betweenness Centrality Approximation through Sampling
本文提出 MANTRA 框架，结合渐进式 Monte Carlo Empirical Rademacher Averages 采样近似时间图节点与时间边的介数中心性，并以理论复杂度和真实网络实验验证其效率与精度。
2024-04-07 cs.DS cs.SI
Counting Balanced Triangles on Social Networks With Uncertain Edge Signs
Hong Kong Polytechnic University（香港理工大学）；Hong Kong University of Science and Technology（香港科技大学）；Shenzhen Institute of Computing Sciences（深圳计算科学研究院）
本文提出了一种在具有不确定边符号的社会网络中快速计算平衡三角形的方法，结合概率信息优化搜索空间，并通过采样方法提高效率。
2026-02-15 cs.DS cs.SI
Time-Aware Neighbor Sampling for Temporal Graph Networks
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；ByteDance（字节跳动）
提出了一种新的时态图的邻域采样方法。在时间图中，预测不同节点的时变属性可能需要不同时间尺度的接收邻域。在这项工作中，我们提出了TNS（时间感知邻居采样）方法：TNS从时间信息中学习，在任何时候为每个节点提供一个自适应的接收邻域。学习如何采样邻居是不平凡的，因为邻居索引在时间顺序上是离散的，不可微的。为了解决这一问题，我们通过插值邻居的消息将邻居索引从离散值转换为连续值。TNS可以灵活地结合到流行的时态图网络中，以提高它们的有效性，而不会增加它们的时间复杂度。TNS可以以端到端的方式进行训练。它不需要额外的监督，并自动和隐式地引导对最有利于预测的邻居进行采样。在多个标准数据集上的实验结果表明，TNS在边缘预测和节点分类方面有显著的提高。
2021-12-18 cs.AI cs.DB cs.SI
Sampling of Temporal Networks: Methods and Biases
时间网络已越来越多地用于模拟各种随时间演变的系统;例如，发生动态过程（如流行病）的人类接触结构。现实生活中的网络的一个基本方面是它们在时间和空间框架内进行采样。此外，人们可能希望对网络进行二次采样，以减小其大小，以实现更好的可视化或执行计算密集型模拟。抽样方法可能会影响网络结构，因此需要谨慎地根据样本概括结果。在本文中，我们研究了四个采样策略应用于各种现实生活中的时间网络。我们量化了每个抽样策略对一些相关统计数据（如链接活动、时间路径和流行病传播）产生的偏差。我们发现，在各种网络和统计数据中，一些偏差是常见的，但有一种策略，即节点的均匀采样，在大多数情况下都显示出更好的性能。我们的研究结果有助于研究人员更好地设计网络数据收集协议，并了解采样时间网络数据的局限性。
2017-07-07 cs.SI physics.data-an physics.soc-ph
TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism
PLA Strategic Support Force Information Engineering University（中国人民解放军战略支援部队信息工程大学）
图神经网络（GCN）的发展使得从演化的复杂网络中学习结构特征成为可能。尽管现实网络中有很多是有向网络，但现有的研究很少涉及有向网络和时态网络的性质。本文针对有向网络中的时间链接预测问题，提出了一种基于GCN和自注意力机制的深度学习模型TSAM。该模型采用自动编码器架构，利用图注意层来捕获邻域节点的结构特征，以及一组图卷积层来捕获模体特征。利用具有自注意力的图递归单元层来学习快照序列中的时间变化。我们在四个真实网络上进行了对比实验，以验证TSAM的有效性。实验结果表明，TSAM优于大多数基准在两个评价指标。
2020-08-23 cs.LG cs.SI stat.ML
FLASH: Flexible Learning of Adaptive Sampling from History in Temporal Graph Neural Networks
Ben-Gurion University of the Negev（本·古里安大学）；Purdue University（普渡大学）；University of Cambridge（剑桥大学）
研究时态图未来链接预测汇总历史交互信号时，长历史会消耗资源，常用启发式采样静态且不适应图结构。提出FLASH可学习且图自适应的邻域选择机制，集成到TGNNs并端到端训练，实验证明性能提升。
2026-07-07 cs.LG cs.SI
