基于重启随机游走的通用多层网络探索
机器学习
2022-10-04 v2 物理与社会
分子网络
摘要
多年来，数据的数量和种类都在急剧增加。这些数据通常表示为网络，随后使用源自网络理论的方法进行探索。近年来，网络探索方法已扩展到利用更复杂和更丰富的网络框架。例如，随机游走已被扩展以探索多层网络。然而，当前的随机游走方法在处理它们所能应对的网络层的组合和异质性方面存在局限。需要新的分析和数值随机游走方法来应对多层网络日益增长多样性和复杂性。我们在此提出 MultiXrank，一个支持在任何类型的多层网络上以优化实现进行重启随机游走（RWR）的 Python 包。该包由 RWR 的通用数学公式所支撑。我们使用留一法交叉验证和链接预测评估了 MultiXrank，并引入了用于衡量多层网络数据的添加或移除对预测性能影响的协议。我们进一步通过对参数空间的深入探索测量了 MultiXrank 对输入参数的敏感性。最后，我们在人类遗传疾病背景下的无监督节点优先级排序和监督分类的不同用例中展示了 MultiXrank 的通用性。
引用
@article{arxiv.2107.04565,
title = {Universal Multilayer Network Exploration by Random Walk with Restart},
author = {Anthony Baptista and Aitor Gonzalez and Anaïs Baudot},
journal= {arXiv preprint arXiv:2107.04565},
year = {2022}
}