Network science (Cambridge University Press)
PulseAugur coverage of Network science (Cambridge University Press) — every cluster mentioning Network science (Cambridge University Press) across labs, papers, and developer communities, ranked by signal.
-
深度图生成模型在现实网络模拟方面展现出潜力
一篇新论文探讨了深度图生成模型在创建用于研究的真实合成网络方面的有效性。通过从网络科学的视角分析这些模型，研究发现某些深度学习方法可以生成在结构特性上与真实世界网络高度相似的合成网络。这种能力对于研究至关重要，尤其是在流行病缓解策略等领域，因为出于隐私考虑，共享真实世界数据通常不可行。
-
综述论文详述了用于机器学习中网络比较的最优传输
一篇新的综述论文探讨了最优传输方法在比较网络中的应用，特别是在机器学习背景下。该论文详细介绍了三种主要的距离：Wasserstein、Gromov-Wasserstein 和 Bures-Wasserstein，并考察了它们在无向、无权重图上的性质。它还讨论了这些距离如何揭示节点影响力，并提供了使用拉普拉斯谱界定距离的方法。最后，该综述通过使用合成和真实网络数据进行聚类和异常检测任务来评估这些最优传输距离。
-
新研究对用于网络分析的双曲图嵌入器进行基准测试
一篇新发表在arXiv上的论文对机器学习、网络科学和算法学中的十三个无监督双曲图嵌入器进行了基准测试。该研究评估了这些方法在各种合成和经验网络上的链接预测和拓扑重建能力。结果表明，基于最大似然和表示学习的方法（包括混合变体）通常表现最佳，但没有一种方法在所有场景下都表现出色。该研究为根据网络特性和任务需求选择合适的方法提供了指导。
-
神经网络结构和深度影响学习性能
一篇新研究论文探讨了神经网络的结构，特别是其模块化和深度，如何影响学习性能。研究发现，具有密集互联社区的网络，类似于生物神经网络，最初表现出更强的学习能力。然而，当网络深度增加到八层时，这种优势会逆转，表明网络架构和性能之间存在复杂的相互作用。