摘要 在時間相關過程和多種真實系統（例如某些食物網以及電子和神經線路）中自然觀察到的前饋關係可以用所謂的

本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。

原文連結

• SFI 頁面

論文資訊

• 類型：已發表論文
• 日期：2022-09-02

摘要

在時間相關過程和多種真實系統（例如某些食物網以及電子和神經線路）中自然觀察到的前饋關係可以用所謂的有向無環圖（DAG）來描述。分析此類網路的一個重要組成部分是將觀察到的架構與隨機圖集合進行適當比較，從而量化真實系統相對於適當的零模型的隨機性。當實際系統的有限尺寸和/或大連通性無法與從所謂的配置模型獲得的預測進行充分比較時，這種近似值尤其相關。在本文中，我們分析了兩種 DAG 隨機化方法，這些方法由旨在保留的兩個拓撲不變量（有維度序列和分量分佈）的所需組合來定義。高度有序的 DAG（稱為蛇圖）和 Erdos-Renyi DAG 用於驗證演算法的性能。最後，三個真實的案例研究，即秀麗隱桿線蟲細胞譜系網絡，博士。使用每種隨機化方法對學生-導師網絡和 Milgram 引文網絡進行了分析。結果表明，DAG 中的度-度關係相對於其隨機集合的解釋如何取決於所施加的拓撲不變量。