[论文解读] Centrality measures in simplicial complexes: applications of TDA to Network Science

Daniel Hernández Serrano, Darío Sánchez Gómez|arXiv (Cornell University)|Aug 8, 2019

Topological and Geometric Data Analysis参考文献 27被引用 4

一句话总结

本文通过将高阶邻接、度数、行走路径和距离扩展至单纯复形，提出了一类新颖的中心性度量，用于建模复杂网络中的多智能体交互。该研究将接近度、中介性和聚类系数等图级中心性概念推广至单纯复形结构，从而实现对具有多体相互作用的网络中社区相关性与拓扑动态的分析。

ABSTRACT

Many real networks in social sciences, biological and biomedical sciences or computer science have an inherent structure of simplicial complexes reflecting many-body interactions. Using the recently introduced higher order notions of adjacency and degree for simplices in a simplicial complex, we define new centrality measures in simplicial complexes which contain meaningful information about the relevance of an agent, and of a simplicial community of agents, in terms of other collaborative simplicial communities or sub-communities. These measures allow not only to study the relevance of a simplicial community in a network, but also to elucidate topological and dynamical properties of simplicial networks. We start by defining centrality measures associated with the notions of generalised higher order degrees valid for any dimensional comparison, they are needed to understand the relations among different collaborative simplicial communities and to study higher order degree distributions in simplicial complex networks. We then define notions of walks and distances in simplicial complexes to study connectivity of simplicial networks and to generalise, to the simplicial case, the well known closeness and betweenness centralities (needed for instance to study the relevance of a simplicial community in terms of its ability of transmitting information). Finally, we define a clustering coefficient for simplices in a simplicial complex which generalises the standard graph clustering of a vertex and is essential to know not only the clustering around a node, but the clustering around a simplicial community in a simplicial network, and it might help to understand how cliques and simplicial communities evolve in a simplicial network.

研究动机与目标

• 开发能够捕捉具有多体相互作用网络中个体智能体与单纯复形社区相关性的中心性度量。
• 将图级中心性概念——接近度、中介性与聚类系数——推广至单纯复形框架。
• 实现对单纯复形网络中高阶度分布与连通性模式的研究。
• 理解高阶网络中团与协作社区的演化与结构特性。

提出的方法

• 为单纯形提出广义高阶度数，以量化其在不同维度上的连通性。
• 在单纯复形中定义行走路径与距离，以评估网络连通性与信息流动。
• 引入一种单纯复形聚类系数，将顶点聚类推广至高阶社区。
• 通过单纯复形结构中的基于距离的度量，将接近度与中介性中心性扩展至单纯形。
• 利用单纯复形结构，通过邻接关系与度数关系建模协作社区及其相互关系。
• 应用拓扑数据分析（TDA）原理，分析单纯复形网络的动力学与拓扑特性。

实验结果

研究问题

• RQ1 如何将中心性度量推广，以捕捉高阶网络中单纯复形社区的相关性？
• RQ2 高阶度数在表征单纯复形中连通性与社区结构方面发挥何种作用？
• RQ3 单纯复形中行走与距离的定义如何实现接近度与中介性中心性的推广？
• RQ4 所提出的聚类系数在何种程度上揭示了超越单个节点的社区级聚类？
• RQ5 这些新度量如何有助于理解单纯复形网络中团与协作社区的演化？

主要发现

• 所提出的高阶中心性度量成功量化了单纯复形网络中个体单纯形与协作社区的相关性。
• 将接近度与中介性中心性推广至单纯复形结构，使得能够评估信息在高阶结构中的传输效率。
• 单纯复形聚类系数捕捉了社区级聚类，为团与子社区的形成与稳定性提供了洞见。
• 高阶度分布揭示了不同维度单纯形之间的结构异质性与连通性模式。
• 该框架通过统一且可扩展的度量，实现了对单纯复形网络拓扑与动力学特性的分析。
• 将TDA与网络科学相结合，为研究具有多体相互作用的复杂系统提供了稳健基础。