Arxiv網路科學論文摘要3篇(2018-08-27)
來自專欄網路科學研究速遞
- Zipf律和Taylor律;
- 聖保羅公共交通網路的結構和穩健性;
- GoT-WAVE:使用graphlet-orbit轉換的時間網路對齊;
Zipf律和Taylor律
原文標題: Zipfs and Taylors Laws
地址: http://arxiv.org/abs/1808.08113
作者: Charlotte James, Sandro Azaele, Amos Maritan, Filippo Simini
摘要: Zipf定律指出具有給定值的觀察頻率與該值的平方成反比;相反,泰勒定律描述了人口規模波動與其平均值之間的比例。在許多不同領域都發現了這些法律有效性的經驗證據。儘管提出了許多模型來解釋Zipf定律的存在,但是沒有就如何在沒有微調的情況下從個體動力學的微觀過程產生共識。在這裡,我們表明Zipf定律和泰勒定律可以從個體層面的一般類隨機過程中出現,其包含兩個特徵之一:環境變化,即參數的波動,或相關性,即個體之間的依賴性。在這些假設下,我們用數值和理論論證表明,人口增長的條件方差隨著人口的平方而變化,並且過程的相應平穩分布遵循Zipf定律。
聖保羅公共交通網路的結構和穩健性
原文標題: Structure and robustness of S~ao Paulo public transport network
地址: http://arxiv.org/abs/1808.08117
作者: Sandro Ferreira Sousa, Camilo Rodrigues Neto, Fernando Fagundes Ferreira
摘要: 公共交通網路在城市發展中發揮著核心作用。在大城市,這樣的系統可能由複雜的網路代表,並且了解其屬性對管理者和學者非常感興趣。在這項工作中,S ~ao Paulo的城市公共交通系統被重新解釋為耦合(公共汽車,地鐵和火車)網路,繞過運營細節並專註於連通性。使用經驗生成的圖表,通過網路度量進行統計表徵。附近的公共汽車站和鐵路運輸站(地鐵和火車)可能會或可能不會被視為運輸系統的網路表示中的單個頂點,具體取決於用戶願意步行從一個站點/站點轉移到另一個站點的程度。然後,該距離半徑用於將附近的站點/站點分組為城市公共交通系統的網路表示中的單個頂點,然後根據該半徑來研究其屬性。該半徑用作代表用戶行走的意願,直到最近的交通點為止。度量 rho 的變化導致公共交通網路拓撲感知的變化,如本工作所示。一個有趣的結果是網路是分配的。調查的另一個方面是網路的程度分布。無法區分冪律或對數正態分布。探索模型用於通過隨機,確定性和優先地針對停靠點和服務線來測試網路的穩健性。根據分組半徑,又稱意願,在攻擊模擬下獲得不同的碎片值。我們發現,增加這種意願可以大大減少公共汽車,地鐵和火車線路之間必要的跳躍次數,從而實現所有的網路目的地。
GoT-WAVE:使用graphlet-orbit轉換的時間網路對齊
原文標題: GoT-WAVE: Temporal network alignment using graphlet-orbit transitions
地址: http://arxiv.org/abs/1808.08195
作者: David Aparício, Pedro Ribeiro, Tijana Milenkovi?, Fernando Silva
摘要: 全局成對網路對齊(GPNA)旨在找到識別保守網路區域的兩個網路之間的一對一節點映射。 GPNA演算法優化節點保護(NC)和邊保護(EC)。 NC量化節點之間的拓撲相似性。基於Graphlet的度矢量(GDV)是最先進的拓撲NC測量。動態GDV(DGDV)被用作時間網路的GPNA的第一個演算法中的動態NC測量:DynaMAGNA ++和DynaWAVE。後者優於大型網路。我們最近開發了一種不同的基於圖譜的時間節點相似性度量,圖 - 軌道轉換(GoTs)。在這裡,我們使用GoT而不是DGDV作為DynaWAVE中的新動態NC測量,從而產生了一種新的方法GoT-WAVE。在合成網路上,GoT-WAVE將DynaWAVE的準確度提高了25%,速度提高了64%。在實際網路中,當僅優化動態NC時,每種方法在大約50%的時間內都是優越的。雖然DynaWAVE從優化動態EC中獲益更多,但只有GoT-WAVE可以支持有向邊。因此,GoT-WAVE是一種很有前景的新時間GPNA演算法,它可以有效地優化動態NC。關於更好地整合動態EC的未來工作可能會進一步改進。
聲明:Arxiv文章摘要版權歸論文原作者所有,由本人進行翻譯整理,未經同意請勿隨意轉載。本系列在微信公眾號「網路科學研究速遞」(微信號netsci)和個人博客 https://www.complexly.me (提供RSS訂閱)進行同步更新。
推薦閱讀:
※Arxiv網路科學論文摘要4篇(2018-08-02)
※複雜網路綜述1——簡介
※node2vec: Scalable Feature Learning for Networks文章閱讀
※Arxiv網路科學論文摘要11篇(2018-08-20)
※複雜網路分析工具Python+igraph(一)