Quantifizierung der Beziehung zwischen Metadaten-Blockstruktur in Netzwerken unter Verwendung der Beschreibungslänge
Die Kernaussage dieses Artikels ist, dass die Beschreibungslänge ein geeignetes Maß ist, um die Relevanz von Metadaten für die Blockstruktur eines Netzwerks sowie die Art der strukturellen Anordnung der Metadaten zu quantifizieren.
Ein erweitertes stochastisches Grad-Sequenz-Modell mit Kanteneinschränkungen (SDSM-EC) zur Extraktion von Rückgratstrukturen
Das vorgeschlagene SDSM-EC-Modell erweitert das bestehende stochastische Grad-Sequenz-Modell (SDSM), um Kanteneinschränkungen wie verbotene Kanten in der Nullhypothese zu berücksichtigen, um genauere Rückgratstrukturen zu extrahieren.
Degree-korrigiertes verteilungsfreies Modell zur Gemeinschaftserkennung in gewichteten Netzwerken
Ein degree-korrigiertes verteilungsfreies Modell wird vorgeschlagen, um die latente Strukturinformation in gewichteten sozialen Netzwerken zu modellieren. Das Modell erweitert frühere verteilungsfreie Modelle, indem es die Variation des Knotengrades berücksichtigt, um reale gewichtete Netzwerke besser anzupassen. Es erweitert auch das klassische degree-korrigierte stochastische Blockmodell von ungewichteten auf gewichtete Netzwerke.
Offene Quellcode-Software zum Anpassen von autologistischen Modellen für Akteursattribute
ALAAMEE ist eine Open-Source-Python-Software zur Schätzung, Simulation und Anpassungsgüteprüfung von autologistischen Modellen für Akteursattribute (ALAAM).
Theorie der Verkehrsdivergenz: Ein Analyseformalisierung für dynamische Netzwerke
Die Theorie der Verkehrsdivergenz bietet ein einheitliches Konzept zur Modellierung und Analyse der Dynamik von Netzwerktrafik, das sowohl räumliche als auch zeitliche Aspekte berücksichtigt.
Ein Tensor-Faktorisierungsmodell zur Beschreibung der Interdependenz mehrschichtiger Netzwerke
Das Tensor-Faktorisierungsmodell der nichtnegativen Tucker-Zerlegung (NNTuck) ermöglicht es, Interdependenzen zwischen den Schichten eines mehrschichtigen Netzwerks zu quantifizieren und zu identifizieren.
Eine umfassende Überprüfung der Gemeinschaftserkennung in Graphen
Diese Studie bietet einen umfassenden Überblick über verschiedene Methoden zur Gemeinschaftserkennung in Graphen, einschließlich modulbasierten Methoden, spektralen Clustering-Verfahren, probabilistischen Modellen und Deep-Learning-Ansätzen. Darüber hinaus wird eine neue Methode zur Gemeinschaftserkennung, der Revised Medoid-Shift (RMS)-Algorithmus, vorgestellt.
Zufälliges Stichprobenziehen von bipartiten Netzwerken mit festen Gradsequenzen
Eine Stoppegel-Regel, die auf der Verteilung der Abstände zwischen den gezogenen Netzwerken und dem beobachteten Netzwerk basiert, stellt sicher, dass mit hoher Wahrscheinlichkeit eine zufällige Stichprobe von bipartiten Netzwerken mit fester Gradsequenz gezogen wird.
Abstandsbasiertes hierarchisches Schneiden komplexer Netzwerke mit nicht-präferentieller und präferentieller Wahl der Samen
Die Topologie komplexer Netzwerke beeinflusst die Größe und Balance der durch abstandsbasiertes hierarchisches Schneiden erhaltenen Komponenten. Geometrische Netzwerke führen zu den ausgewogensten Komponenten, gefolgt von Erdős-Rényi- und Barabási-Albert-Netzwerken. Die präferenzielle Wahl der Samen verstärkt die Balance der Komponenten in geometrischen Netzwerken, verschlechtert sie jedoch in Barabási-Albert-Netzwerken.
Nicht-parametrische Inferenz von Interaktionsmustern höherer Ordnung in Netzwerken
Wir stellen eine Methode zur Gewinnung sparsamer Zerlegungen von Netzwerken in Interaktionen höherer Ordnung vor, die die Form beliebiger zusammenhängender Motive annehmen können. Die Methode basiert auf einer Klasse analytisch lösbarer generativer Modelle, in denen Knoten über explizite Kopien von Motiven verbunden sind, die in Kombination mit nicht-parametrischen Priors es uns ermöglichen, Interaktionen höherer Ordnung aus dyadischen Graphdaten ohne Vorkenntnisse über die Arten oder Häufigkeiten solcher Interaktionen zu inferieren.
© 2024 by Linnk AI