Dynamic network analysis

Введение

Динамический сетевой анализ (ДНК) - это новая научная область, которая объединяет традиционный анализ социальных сетей (SNA), анализ ссылок (LA), социальную симуляцию и многоагентные системы (MAS) в рамках сетевой науки и теории сетей. Динамические сети являются функцией времени (моделируемого как подмножество действительных чисел) к набору графиков; для каждой точки времени есть график. Это похоже на определение динамических систем, в которых функция от времени к окружающему пространству, где вместо окружающего пространства время переводится на отношения между парами вершин.

Обзор

Есть два аспекта этой области. Первый - это статистический анализ данных ДНК. Второй - использование моделирования для решения проблем динамики сети. Сети ДНК отличаются от традиционных социальных сетей тем, что они более крупные, динамичные, многорежимные, многоплецевые сети и могут содержать различные уровни неопределенности. Основное отличие ДНК от SNA заключается в том, что ДНК учитывает взаимодействие социальных особенностей, обусловливающих структуру и поведение сетей. ДНК связана с временным анализом, но временный анализ не обязательно связан с ДНК, поскольку изменения в сетях иногда возникают в результате внешних факторов, которые не зависят от социальных особенностей, обнаруженных в сетях. Один из самых примечательных и ранних случаев использования ДНК - это исследование в монастыре Сэмпсона, где он сделал снимки одной и той же сети с разных интервалов и наблюдал и анализировал эволюцию сети. Статистические инструменты ДНК, как правило, оптимизированы для крупномасштабных сетей и допускают анализ нескольких сетей одновременно, в которых существует несколько типов узлов (многоузлов) и несколько типов связей (многоплекс). Многоузловые многоплексные сети обычно называют метасетями или высокомерными сетями. В отличие от этого, статистические инструменты SNA сосредоточены на данных одного или максимум двух режимов и облегчают анализ только одного типа связи за один раз. Статистические инструменты ДНК, как правило, предоставляют пользователю больше измерений, потому что они используют измерения, которые используют данные, полученные из нескольких сетей одновременно. Модели скрытого пространства (Sarkar and Moore, 2005) Динамические системы, в отличие от статических, включают временные изменения. Различия в изученных представлениях с течением времени в динамической системе могут возникать из-за фактических изменений или произвольных изменений, которые не влияют на метрики в латентном пространстве, причем первые отражают стабильность системы, а последние связаны с выравниванием встраиваний. По сути, стабильность системы определяет ее динамику, в то время как неправильное выравнивание означает несущественные изменения в скрытом пространстве. Динамические встраивания считаются выровненными, когда изменения между встраиваниями в разное время точно представляют собой фактические изменения системы, а не бессмысленные изменения в скрытом пространстве. Вопрос стабильности и выравнивания динамических встраиваний имеет важное значение в различных задачах, зависящих от временных изменений в латентном пространстве. Эти задачи включают предсказание будущих метаданных, временную эволюцию, динамическую визуализацию и получение средних встраиваний, среди прочего.

There are two aspects of this field. The first is the statistical analysis of DNA data. The second is the utilization of simulation to address issues of network dynamics. DNA networks vary from traditional social networks in that they are larger, dynamic, multi mode, multi plex networks, and may contain varying levels of uncertainty. The main difference of DNA to SNA is that DNA takes interactions of social features conditioning structure and behavior of networks into account. DNA is tied to temporal analysis but temporal analysis is not necessarily tied to DNA, as changes in networks sometimes result from external factors which are independent of social features found in networks. One of the most notable and earliest of cases in the use of DNA is in Sampson's monastery study, where he took snapshots of the same network from different intervals and observed and analyzed the evolution of the network. DNA statistical tools are generally optimized for large scale networks and admit the analysis of multiple networks simultaneously in which, there are multiple types of nodes (multi node) and multiple types of links (multi plex). Multi node multi plex networks are generally referred to as
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.