多尺度网络生成

网络被广泛用于科学与技术中以表示实体间的关系，例如生物体之间的社会或生态联系、代谢系统中的酶相互作用，或计算机基础设施。对网络的统计分析可为这些系统的结构、功能、动力学和演化提供关键洞察。然而，现实世界网络的结构往往不完全已知，且可能表现出显著变异，以至于单一网络不足以代表整个系统。在此类情况下，研究人员可能会转向相关系统的代理数据、复杂的网络推断方法或合成网络。本文介绍了一种灵活的方法，用于从已知网络出发，通过一系列映射来合成真实的网络集合；这些映射通过随机编辑对网络结构进行粗化随后再细化。该方法名为 MUSKETEER，能以最小偏差保留结构特性（包括未知或未指定的特征），同时在多个尺度上引入真实的变异性。通过来自多个领域的示例，我们表明 MUSKETEER 在产生预期随机性的同时，在一组网络属性上比其他常用网络生成算法实现了更高的保真度。