Кіріспе
Динамикалық желілік талдау (ДНК) - бұл желілік ғылым мен желілік теория аясында дәстүрлі әлеуметтік желілік талдауды (SNA), байланыс талдауды (LA), әлеуметтік модельдеуді және көп агенттік жүйелерді (MAS) біріктіретін жаңа ғылыми сала. Динамикалық желілер графиктердің жиынтығына уақыт функциясы (нақты сандардың кіші жиынтығы ретінде үлгіленеді); әрбір уақыт нүктесі үшін график бар. Бұл динамикалық жүйелердің анықтамасымен ұқсас, онда функция уақыттан қоршаған кеңістікке, онда қоршаған кеңістік орнына уақыт түбірлер арасындағы қатынастарға аударылады.
Шолу
Бұл саланың екі аспектісі бар. Біріншісі - ДНК деректерін статистикалық талдау. Екіншісі - желілік динамика мәселелерін шешу үшін симуляцияны пайдалану. ДНК желілері дәстүрлі әлеуметтік желілерден өзгеше, өйткені олар үлкен, динамикалық, көп реттік, көп плаксты желілер болып табылады және әртүрлі деңгейдегі белгісіздікке ие болуы мүмкін. ДНҚ-ның СНҚ-дан негізгі айырмашылығы - ДНҚ желілердің құрылымы мен мінез-құлқын шарттаған әлеуметтік ерекшеліктердің өзара әрекеттесуін ескереді. ДНК уақытша талдаумен байланысты, бірақ уақытша талдау міндетті түрде ДНК-мен байланысты емес, өйткені желілердегі өзгерістер кейде желілерде кездесетін әлеуметтік ерекшеліктерге тәуелсіз сыртқы факторлардан туындайды. ДНҚ-ны қолданудың ең елеулі және алғашқы жағдайларының бірі Сэмпсонның монастырлық зерттеуінде, онда ол әртүрлі аралықтардан бір желіге түсірілген суреттерді түсіріп, желі эволюциясын бақылап, талдады. ДНҚ статистикалық құралдары, әдетте, ірі ауқымды желілер үшін оңтайландырылады және бірнеше желілерді бір мезгілде талдауды қабылдайды, онда түйіндердің бірнеше түрі (көп түйін) және сілтемелердің бірнеше түрі (көп түйін) бар. Көп түйінді көпплексті желілерді әдетте мета желілер немесе жоғары өлшемді желілер деп атайды. Ал SNA статистикалық құралдары бір немесе ең көп дегенде екі реттік деректерге бағытталған және бір уақытта тек бір түрдегі сілтемені талдауды жеңілдетеді. ДНК статистикалық құралдары пайдаланушыға көбірек өлшемдер ұсынады, өйткені олардың бір уақытта бірнеше желілерден алынған деректерді пайдаланатын өлшемдері бар. Жасырын кеңістіктік модельдер (Sarkar және Moore, 2005) Динамикалық жүйелер статикалық жүйелерден айырмашылығы, уақытша өзгерістерді қамтиды. Динамикалық жүйеде уақыт өте келе үйренген бейнелеулердің айырмашылықтары нақты өзгерістерден немесе жасырын кеңістіктегі өлшемдерге әсер етпейтін кездейсоқ өзгерістерден туындайды, ал біріншісі жүйенің тұрақтылығына әсер етеді, ал екіншісі кіріктірудің сәйкестігіне байланысты. Негізінде, жүйенің тұрақтылығы оның динамикасын анықтайды, ал дұрыс емес сәйкестендіру жасырын кеңістіктегі маңызды емес өзгерістерді білдіреді. Динамикалық кіріктірулер әр түрлі уақыттағы кіріктірулер арасындағы өзгерістер латентті кеңістіктегі мәнсіз өзгерістер емес, жүйенің нақты өзгерістерін дәл білдіргенде сәйкестендірілген деп саналады. Динамикалық кіріктірудің тұрақтылығы мен сәйкестігі мәселесі жасырын кеңістіктегі уақытша өзгерістерге байланысты әртүрлі міндеттерде маңызды мәнге ие. Бұл міндеттер болашақ метадеректерді болжау, уақытша эволюция, динамикалық визуализация және орташа кіріктірулерді алуды қамтиды.
meta networks or high dimensional networks. In contrast, SNA statistical tools focus on single or at most two mode data and facilitate the analysis of only one type of link at a time. DNA statistical tools tend to provide more measures to the user, because they have measures that use data drawn from multiple networks simultaneously. Latent space models (Sarkar and Moore, 2005) Dynamic systems, unlike static ones, involve temporal changes. Differences in learned representations over time in a dynamic system can arise from actual changes or arbitrary alterations that do not affect the metrics in the latent space with the former reflecting on the system's stability and the latter linked to the alignment of embeddings. In essence, the stability of the system defines its dynamics, while misalignment signifies irrelevant changes in the latent space. Dynamic embeddings are considered aligned when variations between embeddings at different times accurately represent the system's actual changes, not meaningless alterations in the latent space. The matter of stability and alignment of dynamic embeddings holds significant importance in various tasks reliant on temporal changes within the latent space. These tasks encompass future metadata prediction, temporal evolution, dynamic visualization, and obtaining average embeddings, among others.