网络中的多尺度混合模式
本文定义了网络的一种混合性度量,并在此基础上表明,社交网络往往呈现同配混合性,但技术和生物网络则趋向于异配混合性。在同配网络的框架下,我们发现这种网络更容易形成连通集并且比其异配网络更抗节点移除。
May, 2002
研究网络中的混合模式,介绍一种网络模型和拟合方法来刻画节点对其他节点的连边倾向以及这种倾向的平均值和变异程度,并利用最大似然估计或贝叶斯方法推断这些指标的值。
Oct, 2018
研究调查表明,与生物和技术网络呈现出分散的混合模式相比,许多在线社交网络表现出分散或中性混合特征,特别是通过简单的网络模型我们发现在线社交网络 Wealink 经历了从真实社交网络特征的度匹配性向许多在线社交网络特征的度不匹配的转变,文中还讨论了网络匹配性,聚类和模块化之间的关系。
Sep, 2009
在图神经网络中,提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式,进而设计了一种改进的计算图结构,并在此基础上提出一种自适应选择结构与接近度信息的模型,以取得更好的性能,其中针对半监督节点分类任务进行的实验也取得了良好的结果。
Jun, 2021
本文提出了一种使用信息论技术进行主动学习的算法,旨在根据网络拓扑结构和节点标签的联系,选择最能准确预测其他节点标签的子集节点,以便在不知道节点标签的情况下对所有节点进行标注预测,并在社交网络、英语小说中出现的单词以及海洋食物网络中的三个不同领域的网络上进行了测试。
Sep, 2011
本文研究了节点分类的任务,并建立了群体公平性(以统计平衡和平等机会方式衡量)与局部同配性之间的联系,即链接节点具有相似属性的趋势,在社交网络中,这种同配性通常是由于同质性引起的,而同质性可以迫使个人进入共享敏感属性的社区;通过合成图,我们研究了本地同质性和公平预测之间的相互作用,发现并非所有节点邻域在这方面都是平等的。本文还研究了是否可以将不公平问题与应用 GNN 模型的设计相关联,我们发现采用能够处理非同配组标签的异质性 GNN 设计可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达 25%,优于同质性设计。
Jul, 2022
提出了一种测量网络互惠性的新方法,研究发现真实网络通常是相关或者是反相关的,网络的互惠性在相同类型的网络中显示出相似的值,但当前的模型并不能复制这些观察到的模式,因此提出了更一般的条件连接概率框架。
Apr, 2004
许多大型网络的连接特性满足幂律分布,这是由于网络持续扩展且新的节点倾向于连接到已经存在的高度连接节点,远超个体系统的特定机制,因此大型网络的发展是受到自组织现象的稳健规律支配的。
Oct, 1999