具有节点特异性记忆的时序网络：转移概率、弛豫时间与结构突变的无偏推断
物理与社会
2026-04-20 v1
摘要
时变网络研究中的主要挑战之一是记忆效应与结构异质性之间的相互作用。特别地，不同节点和二元组在连边形成与连边持续性方面可能具有非常不同的统计性质，导致典型时间尺度的叠加、次优的参数化以及显著的估计偏差。在此我们发展了一个无偏的最大熵框架，通过同时控制观测到的结构异质性与局部连边持续性来研究经验网络轨迹。到一维 Ising 模型异质版本的精确映射给出了一个解析解，严格地解耦了共同决定静态与时变性质的隐变量。此外，通过似然最大化的模型选择确定了解释记忆效应的最简约结构层级（全局、节点特异或二元组）。正如我们在一个真实社交网络上所展示的，该方法改进了二元组转移概率、弛豫时间以及动力学态之间结构突变的估计。在所得图景中，该图遵循具有给定度与给定时间持续度的广义配置模型，并经历经验可识别的平稳态之间的转变。
引用
@article{arxiv.2311.16981,
title = {Temporal networks with node-specific memory: unbiased inference of transition probabilities, relaxation times and structural breaks},
author = {Giulio Virginio Clemente and Claudio J. Tessone and Diego Garlaschelli},
journal= {arXiv preprint arXiv:2311.16981},
year = {2026}
}