超图中的核心 - 边缘检测
本文提出一种新的迭代算法,用于检测网络中的核心和边缘结构,利用非线性 Perron-Frobenius 理论技术,证明了在一个自然的离散优化问题的松弛版本下全局收敛于唯一的解。该算法的迭代成本在稀疏网络上随着节点数量的线性增长,使其可以用于大规模问题。我们从新的 logistic random graph model 的最大似然重排序的角度给出了算法的另一种解释,在判断核心 - 边缘检测算法方面也提供了一种新的基础。我们在一些合成和实际网络上展示了该算法,并证明它比当前的最先进技术具有优势。
Apr, 2018
本文提出一种系数来衡量网络是否具有明显的核心 - 外围结构,并对多个真实网络和模型网络进行了测量,发现不同类型的网络有其特定的系数值。此外,还分析了核心区域的放射性统计特性,发现几乎所有网络在距离核心一定距离的 n - 邻域内具有意外的较多边缘,暗示了非平凡网络过程的有效作用半径。
Jun, 2005
本研究综合探索了超几何网络模型中重要特征核心 - 边缘结构,通过对流行度 - 相似度优化模型(PSO)和 S1/H2 模型的研究,使用基于标准随机行走马尔可夫链模型的方法研究了核心 - 边缘结构。观察到的核心 - 边缘集中度值表明,在某些条件下,核心 - 边缘结构可能非常显著。通过对网络几何结构中观察到的核心 - 边缘结构的显著性进行统计验证,验证了我们的发现。本研究扩展了网络科学,并揭示了适用于各个领域的核心 - 边缘洞察力,提升了交通和信息系统的网络性能和韧性。
Jun, 2024
本文提出了一个基于核 - 边缘结构的生成模型,可以很好的建模类似交通系统,生物和社交网络等拓扑和空间特征,同时该模型具有更高的可似度和更高的可扩展性,可用于数据挖掘任务。
Aug, 2018
我们对四个主要的社区和最短路径中心性度量(度,特征向量,介数和接近度)的原始数据进行因子分析,并提出了一种新的量化测度,称为核心 - 中间 - 外围(CIP)指数,以捕捉节点在网络中扮演核心节点(中心网络上具有较大任何中心度量的值的节点)和外围节点(在网络边缘上具有较低任何中心度量的值的节点)之间的程度。我们对原始中心度量数据集的转置矩阵进行因子分析(基于特征向量的 varimax 旋转),假设有两个因素(核心和外围)驱动节点相对于中心性度量所发生的值。我们对 12 个复杂的现实网络套件进行了测试。
Oct, 2023
通过总结核心 / 外围网络、富人俱乐部、嵌套、蝴蝶结和洋葱网络的结构和动态的当前知识,研究了全局和局部核心之间的差异,揭示了这些高度复杂性的特征及如何影响复杂系统的韧性。
Sep, 2013
本文提出了一种基于超图的核心恢复方法,该方法可以从观测到的超图中恢复出核心节点,这是因为核心节点是超图的命中集。实验结果表明,该方法可以应用于各个领域,并且在真实世界中的数据集上表现出色。
May, 2019