.png){kind=icon}
返回
Representing significant dependencies with variable orders in networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.chaos.2025.117405.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高阶网络（HONs）在捕捉复杂系统中的高阶依赖关系方面表现出显著效果，揭示了涉及三个或更多组件的关键非马尔可夫群组交互。然而，现有的HON模型面临两个主要局限性：（1）对变阶依赖共存的处理不足，（2）模型可解释性低。为解决这些挑战，我们提出了一种名为“变阶显著依赖挖掘”（SDVOM）的方法，该方法利用假设检验和马尔可夫链蒙特卡洛（MCMC）技术，从数据中自动识别具有统计显著性的变阶依赖。此外，我们引入了SDVO-HON模型，这是一种新型HON框架，将显著依赖嵌入高阶模式树结构中，通过显式表示变阶依赖来增强模型可解释性。在嵌入具有变阶用户偏好模式的合成点击流数据集上的评估表明，SDVOM在所有实验设置中唯一地保持低第一类错误率，同时产生零第二类错误，优于现有最先进方法。我们进一步将SDVOM和SDVO-HON模型应用于真实世界的交通和通信网络，结果表明SDVOM以99%的置信度识别显著依赖，并消除超过97%的非显著依赖。SDVO-HON模型显著提升了网络分析任务，增强了在组织网络中识别高影响力员工和在高速铁路系统中识别枢纽城市的能力。总体而言，所提出的方法为分析复杂真实世界数据提供了强大工具，显著提升了HON模型的可解释性和代表性。
期刊
C
IF:
0
论文数:
851
被引数:
1
机构
引用论文
暂无论文信息