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
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
生物和社交網路由異質節點組成，這些節點對網路結構和功能的貢獻不同。已經開發了許多演算法來測量這種變化。事實證明，這些演算法對於需要為各個節點分配分數的應用程式非常有用，從對網站進行排名到確定生態系統中的關鍵物種，但它們產生良好排名的機制基礎仍然知之甚少。我們表明，這些演算法的一個統一屬性是它們量化網路中關於節點狀態或執行功能的能力的共識。這些演算法透過考慮目標節點的直接連接數量以及對邊進行加權時其加權入度分佈（寬度）的均勻性，或透過測量進入目標節點的淨流量（深度）來獲取共識。使用來自通訊、社交和生物網路的數據，我們發現演算法如何透過廣度或深度來衡量共識會影響其正確評分節點的能力。我們還觀察到交互/鄰接矩陣中對源偏差的敏感性的變化：節點級別的系統誤差或節點對網路連接的直接操縱引起的誤差。我們的結果表明，源自資訊理論的廣度演算法可以正確地對節點進行評分（使用獨立資料進行評估）並且對錯誤具有穩健性。然而，在節點使用間接資訊（如聲譽）「形成關於其他節點的意見」的情況下，需要深度演算法（如特徵向量中心性）。需要注意的是，特徵向量中心性對於錯誤並不具有穩健性，除非網路是傳遞的或選配的。在這些情況下，網路結構允許深度演算法有效地捕獲廣度和深度。最後，我們討論演算法的認知和計算需求。在個人利用他人的集體意見做出決策的系統中，這是一個重要的考慮因素。