研究人员开发了 SyNGLER，一个用于生成合成网络数据的新框架，该框架既高效又能保留关键的结构属性。与可能导致过拟合或产生高计算成本的现有方法不同，SyNGLER 利用潜在空间网络模型来学习低维嵌入并重建潜在空间。这种方法能够以较低的计算开销生成保持稀疏性和节点度异质性等特征的逼真合成网络。该框架的有效性得到了理论保证和实证研究的支持，证明了其优于当前技术。 AI
影响 提供了一种更高效、结构更准确的合成网络数据生成方法，可能有利于模拟和科学发现。
排序理由 该集群包含一篇详细介绍合成网络生成新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.00934v1 Announce Type: new Abstract: Network data are ubiquitous across the social sciences, biology, and information systems. Generating realistic synthetic network data has broad applications from network simulation to scientific discovery. However, many existing bla…
Network data are ubiquitous across the social sciences, biology, and information systems. Generating realistic synthetic network data has broad applications from network simulation to scientific discovery. However, many existing black-box approaches for network generation tend to…