推断分层、边赋权与时变网络的中尺度结构

许多网络系统由相互依赖但不同类型的交互组成，这些交互无法在孤立状态下被完全理解。这些不同类型的交互常表示为层、边上的属性或网络结构的时间依赖性。尽管它们对更全面的科学理解至关重要，这些表示带来了重大挑战。即，如何精确刻画网络系统相对于这些附加方面的大尺度或中尺度结构，是一个开放问题。此外，直接纳入这些特征不可避免地增加网络描述的有效维度，从而加剧过拟合问题，即使用过度复杂的刻画将纯随机涨落误认为实际结构。本工作中，我们提出一种稳健且有原则的方法来解决这些问题，通过构建模块网络结构的生成模型，纳入分层、属性化和时变性质，以及一种非参数贝叶斯方法，从数据推断参数并依据统计证据选择最合适模型。我们表明该方法能够揭示分层、边赋权与时变网络中的隐藏结构，并且可可靠地识别相对于附加维度的最合适粒度水平。我们在多种经验系统上阐释了我们的方法，包括医生社交网络、巴西国民议会代表的投票相关性、全球机场网络以及高中生邻近网络。