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
許多現實世界的網路往往非常密集。在建立表示物件之間成對相似性的網路時出現了一些令人感興趣的特定範例。在這些情況下，所考慮的網路被加權，通常在任意兩個節點之間具有正權重。此類網路的可視化和分析，尤其是當節點數量很大時，可能會帶來重大挑戰，而這些挑戰通常可以透過減少邊緣集來解決。任何有效的「稀疏化」都必須保留並反映網路中的重要結構。常見的方法是簡單地應用硬閾值，僅保留權重超過某個預定值的那些邊緣。一種更有原則的方法是透過對特定零模型進行假設檢定保留統計上顯著的邊緣，或在應用某種閾值之前適當地轉換原始權重矩陣，從而提取網路的多尺度「骨幹」。不幸的是，諸如此類的方法可能無法捕捉多尺度結構，其中節點之間可能存在較小但局部統計顯著的相似性。在本文中，我們引入了一種新的主幹提取方法，該方法不依賴任何特定的空模型，而是使用相似權重的經驗分佈來確定並保留統計上顯著的邊緣。我們表明，我們的方法適應了幾個典型的現實世界網絡中局部邊緣權重分佈的異質性，並且這樣做保留了它們的多尺度結構，而額外的計算成本相對較小。我們預計這種簡單的方法將在分析大規模、高度連接的加權網路時非常有用。