Analisis Jaringan Multiplex
- Diperkenalkan oleh
- Kivela, M.; Boccaletti, S. et al.
- Tahun
- 2014
- Jenis
- Structural network model
- Keluarga
- Network science
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis jaringan multiplex mempelajari sistem di mana himpunan node yang sama dihubungkan oleh berbagai jenis hubungan yang berbeda, masing-masing direpresentasikan sebagai lapisan jaringan terpisah.
Dengan menganalisis lapisan secara bersamaan alih-alih secara terisolasi, analisis ini mengungkapkan bagaimana berbagai jenis hubungan berinteraksi, saling memperkuat, atau saling mengkompensasi di antara aktor atau entitas yang sama.
Intuisi di balik metode
Bayangkan sekelompok peneliti yang sama terhubung melalui tiga jaringan berbeda sekaligus: penulisan bersama, kutipan, dan kehadiran konferensi. Analisis lapisan tunggal standar memaksa Anda untuk memilih salah satu atau menggabungkan ketiganya menjadi satu graf, sehingga kehilangan informasi. Analisis multiplex menjaga ketiga lapisan tetap utuh dan mempelajarinya bersama-sama. Node bisa sentral di satu lapisan tetapi periferal di lapisan lain, dan interaksi antar lapisan — apakah koneksi yang kuat di satu lapisan memprediksi atau mengkompensasi koneksi yang lemah di lapisan lain — adalah persis apa yang dirancang untuk ditangkap oleh metode multiplex.
Sejarah
Kerangka kerja teoretis formal untuk jaringan multiplex dan multi-lapisan muncul dalam sepasang tinjauan penting tahun 2014 — Kivela et al. di Journal of Complex Networks dan Boccaletti et al. di Physics Reports — yang menyatukan pekerjaan yang sebelumnya tersebar di bawah formalisme matematika yang umum. Studi empiris sebelumnya telah menganalisis berbagai jenis hubungan secara paralel tanpa kerangka kerja yang menyatukan. Sejak 2014, metode multiplex telah diterapkan pada sistem transportasi, platform sosial online, konektom neurosains, dan jaringan kutipan, dengan perangkat lunak yang dibuat khusus (MuxViz, multinet, pymnet) mengkonsolidasikan perangkat.
Kapan digunakan
Gunakan analisis jaringan multiplex ketika node yang sama dihubungkan oleh berbagai jenis ikatan yang berbeda secara kualitatif dan menggabungkan ikatan tersebut ke dalam satu lapisan akan mengaburkan perbedaan penting, misalnya mempelajari ilmuwan yang terhubung oleh penulisan bersama, kutipan, dan email secara bersamaan. Ini sangat kuat ketika teori memprediksi bahwa berbagai jenis hubungan saling memperkuat atau saling mengkompensasi. Jangan gunakan ketika hanya satu jenis hubungan yang tersedia, ketika himpunan node sangat berbeda di seluruh jenis hubungan (gunakan analisis dua-mode atau multi-lapisan sebagai gantinya), atau ketika ukuran sampel terlalu kecil untuk memperkirakan metrik spesifik lapisan secara andal.
Batasan dan pertimbangan
- Beban pengumpulan data tinggi karena daftar tepi lengkap harus dikumpulkan untuk setiap lapisan secara independen.
- Biaya komputasi berskala dengan jumlah lapisan dan node; jaringan multiplex besar membutuhkan memori yang cukup besar.
- Interpretasi menjadi kompleks ketika banyak lapisan dengan kepadatan dan struktur yang berbeda digabungkan.
- Perangkat lunak standar untuk jaringan lapisan tunggal harus diganti atau diperluas; paket yang sadar multiplex (MuxViz, multinet) kurang matang.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mempertahankan perbedaan kualitatif antara jenis hubungan alih-alih memaksakan agregasi artifisial.
- Skor sentralitas multiplex memberikan gambaran yang lebih kaya tentang kepentingan node daripada metrik lapisan tunggal mana pun.
- Statistik perbandingan lapisan mengungkapkan jenis hubungan mana yang redundan dan mana yang saling melengkapi.
- Deteksi komunitas di seluruh lapisan menghasilkan kelompok yang lebih stabil dan bermakna secara teoritis.
- Dapat diterapkan pada berbagai pengaturan empiris: jaringan sosial, biologis, transportasi, dan informasi.
Penerapan
- Ilmu sosial: menganalisis persahabatan, pemberian nasihat, dan kepercayaan secara bersamaan dalam organisasi yang sama.
- Bibliometrika: penulisan bersama, kutipan bersama, dan kemunculan kata kunci bersama sebagai lapisan paralel atas himpunan peneliti yang sama.
- Transportasi: jaringan jalan, rel, dan udara yang berbagi node kota yang sama dipelajari bersama.
- Neurosains: lapisan konektivitas fungsional pita frekuensi yang berbeda atas himpunan wilayah otak yang sama.
- Platform online: mengikuti, me-retweet, dan menyebut sebagai lapisan berbeda atas himpunan pengguna yang sama.
Cara kerjanya
Cara kerjanya
Setiap jenis hubungan yang berbeda dikodekan sebagai matriks ketetanggaan atau daftar tepi terpisah, membentuk satu lapisan jaringan multiplex. Semua lapisan berbagi himpunan node yang sama — aktor, entitas, atau unit yang sama — tetapi tepi dalam setiap lapisan mewakili jenis ikatan yang berbeda, seperti persahabatan vs. kolaborasi profesional vs. pertukaran informasi.
Tepi antar-lapisan atau bobot kopling didefinisikan untuk mewakili bagaimana setiap node terhubung ke pasangannya di seluruh lapisan. Dalam kasus paling sederhana, setiap node terhubung ke dirinya sendiri di setiap lapisan lain dengan bobot satuan (kopling kategorikal). Kopling yang lebih rumit dapat mengkodekan probabilitas transisi atau kesamaan antar lapisan.
Ukuran sentralitas multiplex memperluas metrik lapisan tunggal standar — derajat, antara, eigenvektor, PageRank — ke tumpukan lapisan penuh. Contohnya termasuk skor fleksibilitas, yang menggeneralisasi PageRank di seluruh lapisan, dan derajat tumpang tindih, yang menghitung jumlah lapisan berbeda di mana node berpartisipasi. Skor ini menangkap kepentingan keseluruhan node di semua jenis hubungan secara bersamaan.
Lapisan dibandingkan secara struktural melalui ukuran seperti tumpang tindih tepi (fraksi pasangan node yang terhubung di lebih dari satu lapisan), korelasi lapisan, dan informasi bersama antar-lapisan. Tumpang tindih tinggi menunjukkan jenis hubungan yang redundan; tumpang tindih rendah menunjukkan saluran yang saling melengkapi atau independen.
Algoritma deteksi komunitas diperluas ke pengaturan multiplex dengan mengoptimalkan fungsi modularitas yang digeneralisasi di semua lapisan sekaligus atau dengan menggunakan dekomposisi tensor. Komunitas yang ditemukan dalam data multiplex lebih kuat daripada yang diekstraksi dari lapisan tunggal mana pun, karena harus koheren di berbagai jenis hubungan.
Kesalahan umum
- Memperlakukan semua lapisan sebagai sama pentingnya tanpa memeriksa apakah beberapa lapisan hampir kosong atau redundan.
- Mengabaikan asimetri data yang hilang — node yang ada di satu lapisan tetapi tidak ada di lapisan lain sering kali ditangani secara keliru.
- Membandingkan skor sentralitas di seluruh lapisan tanpa memperhitungkan perbedaan kepadatan atau ukuran lapisan.
- Menggabungkan lapisan dengan menjumlahkan bobot tepi sebelum analisis, yang menghancurkan struktur multiplex yang dirancang untuk dieksploitasi oleh metode ini.
- Mencampuradukkan jaringan multiplex (node yang sama, jenis tepi yang berbeda) dengan jaringan multi-lapisan atau bipartit (himpunan node yang berbeda per lapisan).
Pertanyaan yang sering diajukan
Apa perbedaan antara jaringan multiplex dan jaringan multi-lapisan?
Dalam jaringan multiplex, setiap lapisan berisi himpunan node yang persis sama; hanya jenis tepinya yang berbeda. Jaringan multi-lapisan lebih umum dan mengizinkan himpunan node yang berbeda per lapisan. Jaringan multiplex adalah kasus khusus dari jaringan multi-lapisan.
Bisakah saya hanya menggabungkan semua lapisan menjadi satu graf berbobot?
Anda bisa, tetapi Anda kehilangan informasi penting: sepasang node yang terhubung di lima lapisan berbeda terlihat identik dengan sepasang yang terhubung lima kali dalam satu lapisan. Analisis multiplex dirancang khusus untuk mempertahankan dan memanfaatkan perbedaan antara jenis lapisan.
Berapa banyak lapisan yang saya butuhkan untuk analisis multiplex yang bermakna?
Secara formal, dua lapisan sudah cukup untuk menyebut jaringan sebagai multiplex, tetapi metode ini memberikan nilai paling banyak dengan tiga atau lebih jenis hubungan yang berbeda dan bermakna secara substantif. Lapisan yang sangat jarang atau lapisan dengan tumpang tindih tepi mendekati nol harus diperiksa dengan cermat sebelum dimasukkan.
Paket perangkat lunak mana yang mendukung analisis jaringan multiplex?
MuxViz (R/Python), multinet (R), dan pymnet (Python) adalah pustaka utama yang dibuat khusus. NetworkX (Python) dan igraph (R/Python) dapat menangani data multiplex dengan pengkodean kustom tetapi tidak memiliki metrik multiplex asli.
Bagaimana deteksi komunitas berbeda dalam jaringan multiplex?
Dalam pengaturan multiplex, deteksi komunitas mengoptimalkan modularitas yang digeneralisasi yang menjumlahkan kontribusi di semua lapisan secara bersamaan, atau menggunakan metode faktorisasi tensor. Hasilnya adalah satu partisi yang koheren di semua jenis hubungan, berbeda dengan menjalankan deteksi secara terpisah per lapisan.
Metode terkait
Sumber
Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.
Buka referensi DOIDisalin.Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.
Buka referensi DOIDisalin.