通过统计边缘过来提取骨干:一项比较研究

科学领域:

• 网络科学 网络科学
• 数据分析 数据分析
• 计算社会科学 计算社会科学

背景情况:

• 骨干提取对于简化复杂网络至关重要,有助于分析和可视化.
• 统计假设测试方法被广泛用于过网络边缘以识别基本结构.

研究的目的:

• 系统地比较七个突出的统计假设测试骨干边缘过方法.
• 评估不同的方法如何影响网络属性和边缘重要性.
• 根据网络特征,为选择合适的骨干提取技术提供指导.

主要方法:

• 系统地比较七个骨干提取波器:差异波器 (DF),多元波器 (PF),边际概率波器 (MLF),噪声校正 (NC),增强配置模型波器 (ECM),全球统计学意义波器 (GloSS) 和局部自适应网络稀疏化波器 (LANS).
• 提取的脊椎骨的相似性分析.
• 边缘特征 (重量,程度,间距) 和意义级别之间的相关性分析.
• 全球性质分析 (边缘/节点/重量分数,,可达性,组件,过度) 和分布分析 (重量,程度).

主要成果:

• ECM和DF过器产生了与其他过器最小重叠的骨干. 方法的层次顺序 (GloSS到NC,PF,LANS,MLF) 显示了输出封装.
• DF和LANS倾向于高权重边缘;ECM优先考虑高度边缘的低意义. 边缘之间的影响是有限的.
• 兰斯保留了节点数和重量. DF,PF,ECM,GloSS可以减少网络的大小. MLF,NC,ECM保持连接性和重量.
• PF和NC捕捉了原始重量分布的情况. 在维护度分布方面,NC和MLF表现出色.

结论:

• 不同的骨干提取方法显著改变了网络属性和结构表示.
• 方法的选择取决于所需的结果,例如保留特定的边缘特征,网络大小,连接性或分布模式.
• 洞察力指导研究人员选择最佳的骨干提取技术用于网络分析和可视化任务.