کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7538306 1488845 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Detecting node propensity changes in the dynamic degree corrected stochastic block model
ترجمه فارسی عنوان
تشخیص گرایش گره تغییر در مدل بلوک تصادفی تصحیح پویا است
کلمات کلیدی
شبکه های پویا، نمودارهای چند متغیره، نظارت بر شبکه، نظارت بر فرآیند آماری،
ترجمه چکیده
بسیاری از برنامه های کاربردی شامل شبکه های پویا هستند که در آن زمان یک دنباله از عکس های فوری ساختار شبکه در دسترس است. مطالعه در مورد تکامل گره گرایی در طول زمان می تواند در بررسی و تحلیل این شبکه ها مهم باشد. در این مقاله، ما یک طرح نظارت چند متغیره برای بررسی گرایش گره در مدل بلوک تصادفی تصحیح پویا پیشنهاد می کنیم. این روش به اندازه کافی انعطاف پذیر برای شناسایی گره های غیرمستقیم است که از مکانیسم های مختلف، از جمله تغییر فرد، تغییر افراد و تغییر جهانی، بوجود می آید. آزمایشات در جریان داده های شبکهای شبکه اجتماعی شبیه سازی شده و مورد بررسی نشان می دهد که استراتژی نظارت ما می تواند به طور موثر تغییرات گرایش گره در شبکه های پویا را تشخیص دهد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آمار و احتمال
پیش نمایش مقاله
تشخیص گرایش گره تغییر در مدل بلوک تصادفی تصحیح پویا است
چکیده انگلیسی
Many applications involve dynamic networks for which a sequence of snapshots of network structure is available over time. Studying the evolution of node propensity over time can be important in exploring and analyzing these networks. In this paper, we propose a multivariate surveillance plan to monitor node propensity in the dynamic degree corrected stochastic block model. The method is flexible enough to detect anomalous nodes that arise from different mechanisms, including individual change, individuals switch, and global change. Experiments on simulated and case study social network data streams demonstrate that our surveillance strategy can efficiently detect node propensity changes in dynamic networks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Social Networks - Volume 54, July 2018, Pages 209-227
نویسندگان
, , ,