Spectral estimation for detecting low-dimensional structure in networks using arbitrary null models.
Spectral estimation for detecting low-dimensional structure in networks using arbitrary null models.
复制标题
DOI：
10.1371/journal.pone.0254057
复制
发表时间：
2021
期刊：
影响因子：
3.7
通讯作者：
Singh A
中科院分区：
文献类型：
--
作者：
Humphries MD;Caballero JA;Evans M;Maggi S;Singh A
发现现实网络中的低维结构需要一个合适的空模型来定义有意义的结构的缺失。在这里，我们介绍一种谱方法，用于使用任何空模型检测网络的低维结构以及参与其中的节点。我们使用生成模型来估计指定零模型下的预期特征值分布，然后检测数据网络的特征谱超出估计范围的位置。在合成网络上，这种谱估计方法可以清晰地检测随机结构和社区结构之间的转换，恢复社区的数量和成员资格，并消除噪声节点。在真实网络中，谱估计要么发现很大一部分噪声节点，要么发现不偏离零模型，这与传统的社区检测方法形成鲜明对比。在所有分析中，我们发现零模型的选择可以强烈改变有关网络结构存在的结论。因此，我们的谱估计方法是检测现实网络中低维结构或缺乏低维结构的有前途的基础。
Discovering low-dimensional structure in real-world networks requires a suitable null model that defines the absence of meaningful structure. Here we introduce a spectral approach for detecting a network’s low-dimensional structure, and the nodes that participate in it, using any null model. We use generative models to estimate the expected eigenvalue distribution under a specified null model, and then detect where the data network’s eigenspectra exceed the estimated bounds. On synthetic networks, this spectral estimation approach cleanly detects transitions between random and community structure, recovers the number and membership of communities, and removes noise nodes. On real networks spectral estimation finds either a significant fraction of noise nodes or no departure from a null model, in stark contrast to traditional community detection methods. Across all analyses, we find the choice of null model can strongly alter conclusions about the presence of network structure. Our spectral estimation approach is therefore a promising basis for detecting low-dimensional structure in real-world networks, or lack thereof.
登录
查看更多内容
影响因子：
3.7
作者：
Humphries MD;Gurney K
通讯作者：
Gurney K
影响因子：
12.5
作者：
MacMahon, Mel;Garlaschelli, Diego
通讯作者：
Garlaschelli, Diego
DOI：
10.1073/pnas.0605965104
发表时间：
2007-01-02
影响因子：
11.1
作者：
Fortunato, Santo;Barthelemy, Marc
通讯作者：
Barthelemy, Marc
影响因子：
4.8
作者：
Bohland, Jason W.;Bokil, Hemant;Mitra, Partha P.
通讯作者：
Mitra, Partha P.
影响因子：
3.7
作者：
Bliss, Catherine A.;Danforth, Christopher M.;Dodds, Peter Sheridan
通讯作者：
Dodds, Peter Sheridan