.png){kind=icon}
返回
Quantifying randomness in complex graph sets using pairwise graph distances
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-026-01717-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然简单随机图模型通常具有坚实的理论基础，但具有复杂约束的图只能通过启发式算法生成。使用这些方法时，无法保证生成的图具有足够的随机性。然而，这在随机图的许多应用中至关重要，例如创建真实且多样的合成数据集。为解决此问题，我们提出了一种基于成对图距离的随机性度量，并介绍了四种基于特征的新型图距离度量，这些度量针对具有小图（图元）有限频率的图进行了定制。其中三种距离使用来自图元频率的特征，而第四种则基于联合度分布，因此更容易计算。我们在一系列合成和真实网络实验中评估了这些距离。实验结果表明，两种基于图元的距离未能可靠地显示良好结果，特别是在测量随机性的实验中未能重现预期趋势。然而，我们新颖的径向图元分布距离是有效的，其性能与最先进的方法相当。这些发现强调了选择适当图距离的重要性。最后，我们证明易于计算的联合度距离是图元距离的一种可行替代方案，尤其适用于测量大型网络集合中的随机性。
Keyword:
Complex networks
Graph distances
Network motifs
Graphlet analysis
Random graphs
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
分享收藏Benchmarking algorithms for gene regulatory network inference from single-cell transcriptomic data从单细胞转录组数据进行基因调控网络推断的基准算法.png)
NATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏
查看更多内容