增长无标度网络最优线性投影的可靠性
数据分析、统计与概率
2015-03-17 v1 计算物理
摘要
奇异值分解（SVD）是一种基于线性投影理论的技术，常用于数据分析。它在数据方差最相关的方向上构成矩阵的最优（在最小二乘意义上）分解。通常，该信息用于将数据集降维到少数主投影方向上，这称为截断奇异值分解（TSVD）。在数据持续变化的情况下，投影可能会变得过时。由于数据变化速率可能很快，初始数据的TSVD投影是否可靠是一个有趣的问题。在复杂网络的情况下，当考虑网络增长时，这一场景尤为重要。本文研究了增长无标度网络的TSVD投影的可靠性，并在全局和局部尺度上监测其演化。
引用
@article{arxiv.1101.2064,
title = {Reliability of optimal linear projection of growing scale-free networks},
author = {Pau Erola and Javier Borge-Holthoefer and Sergio Gomez and Alex Arenas},
journal= {arXiv preprint arXiv:1101.2064},
year = {2015}
}