.png){kind=icon}
返回
Observing network dynamics through sentinel nodes
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-64975-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
统计物理学的一个基本前提是，物理系统中的粒子是可互换的，因此每个特定组件的状态代表整个系统的状态。这一假设在复杂网络中失效，因为节点可能极为多样化，没有任何单个组件能真正代表整个系统的状态。因此，似乎要观察社会、生物或技术网络的动力，就必须提取大量节点的动态状态——这是一项在实践上通常不可行的任务。鉴于复杂异构网络与非线性的、通常隐藏的动态相结合在分析上难以穿透，理论工具也受到极大限制。为克服这一挑战，我们采用机器学习技术来检测网络中的哨兵节点，即一组网络组件，其组合状态有助于近似整个网络的平均动态。该方法使我们能够通过跟踪少量精心选择的节点来评估大型复杂系统的平衡状态。我们发现，哨兵节点主要受网络结构决定，以至于即使对系统特定的交互动态了解甚少，也能提取它们。因此，网络的哨兵节点提供了一种自然探针，用以观察系统的动态状态。有趣的是，哨兵节点倾向于避开高度中心化的节点，如枢纽节点。观察复杂网络的状态似乎需要不可行的信息量。在此，作者开发了一种检测哨兵节点的算法：少量能够跟踪大型复杂系统平衡状态的节点。
Keyword:
sentinel nodes
complex networks
machine learning
network dynamics
equilibrium state
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.4W
被引数:
91.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容