网络克隆揭示聚类对动力学过程的影响

我们引入了网络$L$-克隆技术，这是一种从任意给定的真实或人工网络创建随机网络集合的方法。该集合中的每个成员都是由原始网络的$L$个副本构建的$L$-克隆网络。$L$-克隆网络的度分布，更重要的是，最近邻及更远邻之间的度-度相关性，与原始网络完全相同。$L$-克隆网络中的三角形密度，从而其聚类系数，与原始网络相比降低了$L$倍。此外，对于足够大的$L$值，任意固定长度的环的密度趋近于零。$L$-克隆的其他变体允许我们保持特定长度的短环不变。作为应用，我们利用这些网络克隆方法来研究短环对网络上运行的动力学过程的影响，并检验相应基于树的近似理论的准确性。我们证明，在$L$-克隆网络（具有足够大的$L$）上的动力学可以由所谓的邻接树理论精确描述，例如分别用于研究键渗流、SI流行病和伊辛模型的消息传递技术、某些对近似方法和置信传播算法。