超图的节点和边的非线性特征向量中心度
通过引入不同的连通性矩阵(如邻接、拉普拉斯和标准化拉普拉斯矩阵),我们研究了非均匀超图的基础加权图的谱特性,并展示了这些矩阵的谱特性可以很好地研究超图的不同结构特性。通过这些操作符的特征值研究超图的连通性。通过对 Laplacian 矩阵和标准化 Laplacian 矩阵的最小非平凡特征值进行边界限制来定义超图上的 Cheeger 恒量。此外,我们还介绍了关于超图上的 Ricci 曲率的两种不同方法。
Nov, 2017
提出了一种灵活的超图 1-Laplacian 定义框架,包括依赖于边的顶点权重,以反映超边内不同顶点的重要性,增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类,可以实现比传统 Laplacian 更高的聚类精度,而且该方法可以在现实数据集上得到验证。在特定情况下,超图 1-Laplacian 等效于相关图的 1-Laplacian,可以更有效地计算特征向量,方便应用于更大的数据集。
Apr, 2023
本文介绍了一种新的中心度量,可以通过节点在网络中的所有子图中的参与情况来表征节点的重要性,具有较好的研究网络图案的性质。研究结果表明,该方法能够更好地区分网络中的节点,并且展现了一定的实用性和可靠性。
Apr, 2005
研究了有双向交互时的无标度网络的邻接矩阵的特征值和特征向量,发现其谱密度在中心附近呈指数衰减,并在两个端点处呈幂律长尾,最大特征值随系统大小呈 N 的 1/4 次幂,相应的特征函数强烈局限于度数最大的中心节点。同时发现质量间隙随系统大小的变化率为 N 的 - 0.68 次幂。
Mar, 2001
介绍了一个广义图拉普拉斯算子,旨在研究超图的特定组合属性,如多路扩展和直径,并使用扩散过程和程序化最小化器来优化 Cheeger 不等式和 k-th 程序化最小化器。
May, 2016
通过图谱理论将亚图中心性解释为网络的配分函数,定义了网络和分子图的熵、内能和亥姆霍兹自由能,并讨论了这些量与复杂网络结构和动力学的各种关系。包括网络的紧密度以及耦合相位振荡器的临界耦合。我们探讨了多个网络生长 / 演化模型以及代表代谢和蛋白质相互作用网络以及蛋白质中二级结构元素相互作用的真实世界网络。
May, 2009
本研究考虑检测网络中的社群或模块,发现这种过程可以通过 “模块度量” 函数的最大化来实现,而这个函数可以用所谓的 “模块度量矩阵” 的特征谱表示,而我们从中得出了几个可能的算法和中心度量,并在各种真实世界的复杂网络中验证它们。
May, 2006
本篇研究提出了一种基于高阶网络结构的新型随机游走模型,探究高阶网络中的扩散过程及其对信息扩散的影响,旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
Nov, 2019