网络历史可恢复性中的相变

网络增长过程可以理解为复杂网络结构与历史的生成模型。这一观点自然引出了网络考古学问题：从网络结构重建其所有过去状态——一个困难的排列推断问题。在本文中，我们引入了网络考古学的贝叶斯公式，并以优先连接的推广作为生成机制。我们开发了一种序贯蒙特卡洛算法来评估该模型的后验平均值，以及一种能在多项式时间内揭示与真实历史高度相关的历史的高效启发式算法。我们将这些方法应用于由模型自身生成的人工网络，识别并表征了重建历史质量上的相变。尽管存在不可恢复相，我们发现，在参数空间的大部分区域以及经验数据上，非平凡的推断是可能的。