Skip to content
Назад к результатам поиска

Анализ мультиплексных сетей

Автор метода
Kivela, M.; Boccaletti, S. et al.
Год
2014
Тип
Structural network model
Семейство
Network science

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Анализ мультиплексных сетей изучает системы, в которых один и тот же набор узлов связан множеством различных типов отношений, каждый из которых представлен отдельным сетевым слоем.

Анализируя слои одновременно, а не изолированно, он выявляет, как различные типы отношений взаимодействуют, усиливают друг друга или компенсируют друг друга между одними и теми же акторами или сущностями.

Интуиция метода

Представьте себе одну и ту же группу исследователей, связанных одновременно тремя различными сетями: соавторство, цитирование и посещение конференций. Стандартный однослойный анализ заставляет вас выбрать один тип связи или объединить все три в один граф, теряя информацию. Мультиплексный анализ сохраняет все три слоя нетронутыми и изучает их вместе. Узлы могут быть центральными в одном слое, но периферийными в другом, а взаимодействие между слоями — является ли сильная связь в одном слое предсказанием или компенсацией слабой связи в другом — это именно то, для чего предназначены мультиплексные методы.

История

Формальная теоретическая основа для мультиплексных и многослойных сетей возникла в паре знаковых обзоров 2014 года — Kivela et al. в Journal of Complex Networks и Boccaletti et al. в Physics Reports — которые объединили ранее разрозненные работы под общим математическим формализмом. Предыдущие эмпирические исследования анализировали несколько типов отношений параллельно без объединяющей структуры. С 2014 года мультиплексные методы применялись к транспортным системам, онлайн-социальным платформам, коннектомам нейронаук и сетям цитирования, а специализированное программное обеспечение (MuxViz, multinet, pymnet) консолидировало инструментарий.

Когда применять

Используйте анализ мультиплексных сетей, когда одни и те же узлы связаны множеством качественно различных типов связей, и объединение этих связей в один слой могло бы скрыть важные различия, например, при одновременном изучении ученых, связанных соавторством, цитированием и электронной почтой. Он особенно эффективен, когда теория предсказывает, что различные типы отношений усиливают или компенсируют друг друга. Не используйте его, когда доступен только один тип отношений, когда наборы узлов существенно различаются в разных типах отношений (вместо этого используйте двумерный или многослойный анализ) или когда размеры выборки слишком малы для надежной оценки метрик для отдельных слоев.

Ограничения и замечания

  • Затраты на сбор данных высоки, поскольку списки полных ребер должны быть собраны для каждого слоя независимо.
  • Вычислительные затраты растут с увеличением числа слоев и узлов; большие мультиплексные сети требуют значительного объема памяти.
  • Интерпретация становится сложной при объединении множества слоев с различными плотностями и структурами.
  • Стандартное программное обеспечение для однослойных сетей должно быть заменено или расширено; пакеты, ориентированные на мультиплексные сети (MuxViz, multinet), менее зрелые.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Сохраняет качественные различия между типами отношений вместо искусственного агрегирования.
  • Мультиплексные показатели центральности дают более полное представление о важности узла, чем любая однослойная метрика.
  • Статистика сравнения слоев выявляет, какие типы отношений избыточны, а какие комплементарны.
  • Обнаружение сообществ по слоям дает более стабильные и теоретически значимые группы.
  • Применимо к широкому спектру эмпирических настроек: социальные, биологические, транспортные и информационные сети.

Применение

  • Социальные науки: одновременный анализ дружбы, предоставления советов и доверия в рамках одной организации.
  • Библиометрика: соавторство, со-цитирование и совместное появление ключевых слов в качестве параллельных слоев для одного и того же набора исследователей.
  • Транспорт: дорожные, железнодорожные и воздушные сети, использующие одни и те же узлы городов, изучаемые вместе.
  • Нейронаука: слои функциональной связности различных частотных диапазонов для одного и того же набора областей мозга.
  • Онлайн-платформы: подписки, ретвиты и упоминания как отдельные слои для одного и того же набора пользователей.

Как это работает

Как это работает

1

Каждый отдельный тип отношения кодируется отдельной матрицей смежности или списком ребер, образуя один слой мультиплексной сети. Все слои имеют один и тот же набор узлов — одни и те же акторы, сущности или единицы — но ребра в каждом слое представляют собой различный тип связи, такой как дружба по сравнению с профессиональным сотрудничеством по сравнению с обменом информацией.

2

Межслоевые ребра или веса связи определяются для представления того, как каждый узел связан со своим аналогом в других слоях. В простейшем случае каждый узел связан сам с собой в каждом другом слое с весом, равным единице (категориальная связь). Более сложные связи могут кодировать вероятности перехода или сходство между слоями.

3

Меры мультиплексной центральности расширяют стандартные однослойные метрики — степень, посредничество, собственный вектор, PageRank — на весь стек слоев. Примеры включают показатель универсальности, который обобщает PageRank по слоям, и перекрывающуюся степень, которая подсчитывает количество различных слоев, в которых участвует узел. Эти показатели одновременно отражают общую важность узла по всем типам отношений.

4

Слои сравниваются структурно с помощью таких мер, как перекрытие ребер (доля пар узлов, связанных более чем в одном слое), корреляция слоев и межслоевая взаимная информация. Высокое перекрытие указывает на избыточные типы отношений; низкое перекрытие указывает на комплементарные или независимые каналы.

5

Алгоритмы обнаружения сообществ расширяются до мультиплексных настроек путем одновременной оптимизации обобщенной функции модулярности по всем слоям или путем использования тензорных разложений. Сообщества, найденные в мультиплексных данных, более надежны, чем те, которые извлечены из любого отдельного слоя, поскольку они должны быть согласованы по нескольким типам отношений.

Частые ошибки

  • Рассмотрение всех слоев как равнозначных без проверки того, являются ли некоторые слои почти пустыми или избыточными.
  • Игнорирование асимметрии пропущенных данных — узел, присутствующий в одном слое, но отсутствующий в другом, часто обрабатывается некорректно.
  • Сравнение показателей центральности по слоям без учета различий в плотности или размере слоя.
  • Объединение слоев путем суммирования весов ребер перед анализом, что разрушает мультиплексную структуру, которую метод призван использовать.
  • Путаница между мультиплексными сетями (одни и те же узлы, разные типы ребер) и многослойными или двудольными сетями (разные наборы узлов для каждого слоя).

Часто задаваемые вопросы

В чем разница между мультиплексной сетью и многослойной сетью?

В мультиплексной сети каждый слой содержит ровно один и тот же набор узлов; различаются только типы ребер. Многослойные сети более общие и допускают разные наборы узлов для каждого слоя. Мультиплексные сети являются частным случаем многослойных сетей.

Могу ли я просто объединить все слои в один взвешенный граф?

Вы можете, но потеряете критически важную информацию: пара узлов, связанных в пяти различных слоях, будет выглядеть идентично паре, связанной пять раз в одном слое. Мультиплексный анализ специально разработан для сохранения и использования различий между типами слоев.

Сколько слоев мне нужно для осмысленного мультиплексного анализа?

Формально двух слоев достаточно, чтобы назвать сеть мультиплексной, но метод приносит наибольшую пользу при трех или более различных, содержательно значимых типах отношений. Очень разреженные слои или слои с почти нулевым перекрытием ребер следует тщательно проверять перед включением.

Какие пакеты программного обеспечения поддерживают анализ мультиплексных сетей?

MuxViz (R/Python), multinet (R) и pymnet (Python) являются основными специализированными библиотеками. NetworkX (Python) и igraph (R/Python) могут обрабатывать мультиплексные данные с помощью пользовательского кода, но не имеют встроенных мультиплексных метрик.

Чем отличается обнаружение сообществ в мультиплексной сети?

В мультиплексной среде обнаружение сообществ оптимизирует обобщенную модулярность, которая одновременно суммирует вклады по всем слоям, или использует методы тензорной факторизации. Результатом является единое разбиение, которое согласовано по всем типам отношений, в отличие от выполнения обнаружения отдельно для каждого слоя.

Похожие методы

Источники

  1. 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.

    Открыть ссылку DOI
    Скопировано.
  2. 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.

    Открыть ссылку DOI
    Скопировано.