解开毛线球图：用于加权复杂网络的剪枝算法
物理与社会
2016-01-20 v4 社会与信息网络
摘要
经验加权二值关系网络通常包含噪声边，这些边改变了网络的全局特征并模糊了其中最重要的结构。图剪枝是根据生成零模型识别最重要边并提取由这些边组成的子图的过程。此处我们关注当权重计数关联节点的“事件”出现次数时常见的整数加权图。我们引入了与网络生成的配置模型相关的简单直观零模型，并从中推导出两个显著性滤波器：边际似然滤波器(MLF)和全局似然滤波器(GLF)。前者是一种基于边权边际分布为每个边分配显著性分数的快速算法，而后者是一种考虑边之间相关性的集成方法。我们将这些滤波器应用于美国机场间空中交通量网络，恢复了该图的地理忠实表示。此外，与基于边权的阈值法相比，我们的滤波器提取了更大且显著更稀疏的巨分量。
引用
@article{arxiv.1503.04085,
title = {Unwinding the hairball graph: pruning algorithms for weighted complex networks},
author = {Navid Dianati},
journal= {arXiv preprint arXiv:1503.04085},
year = {2016}
}