不完整网络中的灵敏度与可靠性：从中心性度量到社区评分函数

网络分析是理解相互作用实体构成的复杂系统行为的重要工具。然而，由于数据采集技术的局限，一些相互作用可能从网络模型中缺失。这是所有使用网络分析的领域中普遍存在的问题，从社交网络到超链接网页网络再到生物网络。因此，分析网络时的一个重要问题是理解噪声水平（即缺失边的百分比）的增加如何影响不同的网络参数。本文从网络分析的两个不同方面评估噪声对社区评分和基于中心性的参数的影响：(i) 灵敏度，即参数值如何随边的移除而变化；(ii) 消息传播背景下的可靠性，即广播一条消息所需的时间如何随边的移除而变化。我们在合成网络和真实网络以及三种不同噪声模型上的实验表明，对于所有网络和所有噪声模型下的这两个方面，持久性（permanence）均被证明是最有效的度量。对于灵敏度实验，接近中心性（closeness centrality）紧随其后。对于消息传播实验，基于接近中心性和介数中心性（betweenness centrality）的起始节点选择与持久性表现紧密竞争。这是因为持久性具有双重特性：所有顶点的累积持久性对噪声敏感，但用于在消息传播中寻找种子节点的顶级顶点的 ID 在噪声下保持相对稳定。