SILVAN：基于渐进采样与非均匀 Rademacher 界的中介中心性估计
数据结构与算法
2022-06-02 v2 社会与信息网络
摘要
中介中心性是一种流行的中心性度量，在多个领域有应用，其精确计算对于现代规模网络而言不切实际。我们提出 SILVAN，一种新颖高效的算法，能以高概率计算图中所有节点中介中心性的准确估计以及前 k 个中介中心性的高质量近似。SILVAN 采用渐进采样方法，并建立在基于蒙特卡洛经验 Rademacher 均值（统计学习理论中强大而灵活的工具）的新颖界之上。SILVAN 依赖一种新颖估计方案，提供所有节点中介中心性估计值与其真实值偏差的非均匀界，并精炼刻画获得高质量近似所需样本数。我们广泛的实验评估表明，SILVAN 在样本数与精度方面优于具有可比质量保证的当前最优近似算法，同时提取出高质量近似。
引用
@article{arxiv.2106.03462,
title = {SILVAN: Estimating Betweenness Centralities with Progressive Sampling and Non-uniform Rademacher Bounds},
author = {Leonardo Pellegrina and Fabio Vandin},
journal= {arXiv preprint arXiv:2106.03462},
year = {2022}
}