机器学习作为多种网络渗流阈值的准确预测器
物理与社会
2023-03-28 v2 机器学习
社会与信息网络
摘要
渗流阈值是确定大型网络固有刚性的重要度量。大型网络渗流阈值的预测器计算密集，因此有必要开发不依赖数值模拟的网络渗流阈值预测器。我们展示了五种基于机器学习的回归技术在准确预测渗流阈值方面的功效。用于训练机器学习模型的数据集共包含777个真实和合成网络，以网络的5个统计与结构属性作为特征，以数值计算的渗流阈值作为输出属性。我们证实机器学习模型优于三种现有的键渗流阈值经验估计器，并将该实验扩展到预测点渗流和爆炸渗流。此外，我们使用RMSE值比较了模型预测渗流阈值的性能。梯度提升回归器、多层感知机和随机森林回归模型在考虑的模型中取得了最小的RMSE值。
引用
@article{arxiv.2212.14694,
title = {Machine Learning as an Accurate Predictor for Percolation Threshold of Diverse Networks},
author = {Siddharth Patwardhan and Utso Majumder and Aditya Das Sarma and Mayukha Pal and Divyanshi Dwivedi and Prasanta K. Panigrahi},
journal= {arXiv preprint arXiv:2212.14694},
year = {2023}
}