.png){kind=icon}
返回
Concise network models of memory dynamics reveal explainable patterns in path data
.png){kind=icon}
PRE
AI
DOI：10.1126/sciadv.adw4544.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络方法通过将间接相互作用建模为随机游走，捕捉复杂系统在不同尺度上结构和动态的相互作用。然而，真实系统中的路径数据经常表现出记忆效应，而这种一阶马尔可夫模型未能捕捉这些效应。尽管高阶马尔可夫模型可以捕捉这些效应，但它们的大小会迅速增长，并需要大量数据，这使得在覆盖不均匀的系统中，它们容易在某些部分过拟合而在其他部分欠拟合。为应对这一挑战，我们通过在一阶和二阶马尔可夫模型之间进行插值，从路径数据构建简洁网络。我们通过创建捕获显著二阶效应的状态节点，并提出一个透明度量来平衡模型大小和质量，从而优先考虑简洁性和可解释性。我们的简洁网络揭示了合成系统和真实系统中大规模的记忆模式，同时比完整的二阶模型简单得多。
期刊
IF:
12.5
论文数:
2.0W
被引数:
18.1W
机构
引用论文
Efficient modeling of higher-order dependencies in networks: from algorithm to application for anomaly detection.png)
EPJ DATA SCIENCE
OAAI
EPJ DATA SCIENCEIF2.5
OAAI分享收藏Memory in network flows and its effects on spreading dynamics and community detection网络流中的记忆及其对传播动力学和社区发现的影响NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏J. Queiros, C. Coquidé, F. Queyroi, Toward random walk-based clustering of variable-order networks. Netw. Sci. 10, 381–399 (2022).J. Queiros, C. Coquidé, F. Queyroi, 基于随机游走的变阶网络聚类。Netw. Sci. 10, 381–399 (2022).
IF0
PREAI
分享收藏分享收藏SciPy 1.0: fundamental algorithms for scientific computing in PythonSciPy 1.0: Python中科学计算的基本算法NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏
查看更多内容