Backbone extraction through statistical edge filtering: A comparative study

Ali Yassin

doi:10.1371/journal.pone.0316141

2025-01-03

Ali Yassin *

Hocine Cherifi

Hamida Seba

DOI：10.1371/journal.pone.0316141

原文链接

原文求助

摘要

En 中文

骨干提取过程在网络应用中加速分析和增强可视化方面具有关键作用。本研究系统地比较了七种具有影响力的统计假设检验骨干边过滤方法（Disparity Filter (DF)、Polya Urn Filter (PF)、Marginal Likelihood Filter (MLF)、Noise Corrected (NC)、Enhanced Configuration Model Filter (ECM)、Global Statistical Significance Filter (GloSS)和Locally Adaptive Network Sparsification Filter (LANS)）在不同网络中的表现。相似性分析表明，使用ECM和DF过滤器提取的骨干与通过其他方法获得的骨干之间重叠度最低。有趣的是，将其他方法按GloSS、NC、PF、LANS和MLF的顺序排列，我们发现每种方法的输出都包含了前一种方法的骨干。边特征（权重、度、介数）与检验显著性水平的关联分析显示，DF和LANS过滤器倾向于保留高权重的边，而ECM则赋予高度数的边较低的显著性。此外，结果提示边的介数对过滤过程的影响有限。骨干的全局属性分析（边占比、节点占比、权重占比、权重熵、可达性、组件数量和传递性）识别出每种属性的典型行为类型三种。值得注意的是，LANS过滤器保留了所有节点和权重熵。相比之下，DF、PF、ECM和GloSS显著减小了网络规模。MLF、NC和ECM过滤器保留了网络连通性和权重熵。分布分析强调了PU过滤器捕捉原始权重分布的能力，NC过滤器也表现出类似的能力。NC和MLF过滤器在度分布方面表现优异。这些见解为根据特定属性选择合适的骨干提取方法提供了有价值的指导。

Keyword:

CONNECTOMES