[论文解读] Revealing evolutions in dynamical networks

Matteo Morini, Patrick Flandrin+3 more|arXiv (Cornell University)|Jul 7, 2017

Complex Network Analysis Techniques参考文献 10被引用 6

一句话总结

本文提出一种用于演化网络的动态社区检测方法，利用时间连续性来减少中观结构识别中的噪声。通过整合相邻时间片的社区划分，该方法稳定了社区演化过程，揭示了真实趋势——在科学合作网络上的应用表明，小波分析作为新子领域的出现过程被成功识别。

ABSTRACT

The description of large temporal graphs requires effective methods giving an appropriate mesoscopic partition. Many approaches exist today to detect communities in static graphs. However, many networks are intrinsically dynamical, and need a dynamic mesoscale description, as interpreting them as static networks would cause loss of important information. For example, dynamic processes such as the emergence of new scientific disciplines, their fusion, split or death need a mesoscopic description of the evolving network of scientific articles. There are two straightforward approaches to describe an evolving network using methods developed for static networks. The first finds the community structure of the aggregated network; however, this approach discards most temporal information, and may lead to inappropriate descriptions, as very different dynamic data can give rise to the identical static graphs. The opposite approach closely follows the evolutions and builds networks for successive time slices by selecting the relevant nodes and edges, the mesoscopic structure of each of these slices is found independently and the structures are connected to obtain a temporal description. By using an optimal structural description at each time slice, this method avoids the inertia of the aggregated approach. The inherent fuzziness of the communities leads to noise and artifacts. Here, we present an approach that distinguishes real trends and noise in the mesoscopic description of data using the continuity of social evolutions. To be follow the dynamics, we compute partitions for each time slice, but to avoid transients generated by noise, we modify the community description at time t using the structures found at times t-1 and t+1. We show the relevance of our method on the analysis of a scientific network showing the birth of a new subfield, wavelet analysis.

研究动机与目标

• 解决静态社区检测方法在捕捉演化网络时间动态方面的局限性。
• 克服在每个时间片独立进行社区检测所引入的噪声和伪影。
• 在过滤因社区模糊性引起的瞬时波动的同时，保留有意义的结构演化。
• 提供反映真实发展过程（如科学子领域的诞生、融合或消亡）的网络演化中观描述。
• 实现对动态现象（如科学文献网络中小波分析的出现）的准确追踪。

提出的方法

• 使用标准的静态社区检测算法，独立计算每个时间片的社区划分。
• 应用时间平滑技术，将相邻时间点（t-1 和 t+1）的社区结构纳入考虑，以优化时间 t 的划分。
• 采用基于连续性的优化方法，最小化时间跨度上的结构不连续性，偏好稳定且一致的社区演化轨迹。
• 利用社会与科学合作的时间一致性，区分真实演化趋势与由噪声引起的波动。
• 整合邻近时间窗口的结构信息，以稳定社区分配并降低对瞬时扰动的敏感性。
• 将动态社区检测形式化为一个约束优化问题，偏好相邻划分之间的平滑过渡。

实验结果

研究问题

• RQ1 如何改进动态网络中的社区检测，以在保留真实结构演化的同时减少噪声？
• RQ2 相邻时间片之间的时间连续性在多大程度上能提升中观网络结构识别的可靠性？
• RQ3 结合邻近时间点划分的方法是否能比静态或纯时间方法更准确地检测出新科学子领域的真正出现？
• RQ4 忽略时间动态对演化网络结构解释，特别是科学合作网络中的影响是什么？
• RQ5 所提出的方法如何区分真实的网络演化与社区结构中的随机波动？

主要发现

• 所提出的方法成功揭示了共作者网络中小波分析作为新科学子领域的出现，证明了其检测真实发展动态的能力。
• 通过整合邻近时间片，该方法减少了由社区模糊性引起的人为社区转换和伪影。
• 该方法在保持对结构变化敏感性的同时，通过维持时间一致性，优于聚合网络分析和独立时间片检测方法。
• 该方法有效过滤了噪声，同时未掩盖有意义的网络演化，如新科学社区的诞生与增长。
• 结果表明，时间连续性是结构稳定性的强指标，可实现更准确且可解释的动态网络分析。
• 在真实科学数据上的应用证实，该方法能够揭示历史上重要的转变，如小波理论的形成，这些在静态或未平滑的动态分析中会被掩盖。