GoT-WAVE：利用图元轨道转移的时间网络比对
机器学习
2018-08-27 v1 社会与信息网络
机器学习
摘要
全局成对网络比对（GPNA）旨在寻找两个网络之间的一对一节点映射，以识别保守的网络区域。GPNA算法优化节点保守性（NC）和边保守性（EC）。NC量化节点之间的拓扑相似性。基于图元的度向量（GDVs）是一种最先进的拓扑NC度量。动态GDVs（DGDVs）被用作首个时间网络GPNA算法DynaMAGNA++和DynaWAVE中的动态NC度量。后者在较大网络上表现更优。我们最近开发了一种不同的基于图元的时间节点相似性度量，即图元轨道转移（GoTs）。在此，我们在DynaWAVE中使用GoTs替代DGDVs作为新的动态NC度量，从而得到一种新方法GoT-WAVE。在合成网络上，GoT-WAVE将DynaWAVE的准确率提高了25%，速度提高了64%。在真实网络上，当仅优化动态NC时，每种方法约有50%的时间更优。虽然DynaWAVE从同时优化动态EC中获益更多，但只有GoT-WAVE能够支持有向边。因此，GoT-WAVE是一种有前景的新时间GPNA算法，可高效优化动态NC。未来更好地结合动态EC的工作可能带来进一步改进。
引用
@article{arxiv.1808.08195,
title = {GoT-WAVE: Temporal network alignment using graphlet-orbit transitions},
author = {David Aparício and Pedro Ribeiro and Tijana Milenković and Fernando Silva},
journal= {arXiv preprint arXiv:1808.08195},
year = {2018}
}