| عنوان مقاله به انگلیسی | Diagnosis of Small-world Bias in Random Graphs |
| عنوان مقاله به فارسی | تشخیص بایاس دنیای کوچک در نمودارهای تصادفی |
| نویسندگان | Georgios Argyris |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Background: Imagine a paper with n nodes on it where each pair undergoes a coin toss experiment; if heads we connect the pair with an undirected link, while tails maintain the disconnection. This procedure yields a random graph. Now consider duplicating this network onto another paper with a slight bias-a fraction of its links (approximately 1/10) undergo rearrangement. If we shuffle the two papers, how can we distinguish the pure random graph from the biased one? Results: In response to this challenge, we propose a novel metric called Randomness Index (RI). The closer the metric to zero is, the higher degree of randomness in the graph. The RI can distinguish between dense small-world networks and dense random graphs; a distinction which is impossible by conventional small-world properties like clustering coefficient and average path length. To validate its effectiveness, we apply the RI to temporal correlation networks of stock indices. Our findings reveal a reduction in randomness during global economic recession periods. Conclusion: The RI emerges as a powerful metric capable of characterizing small-world topology, especially in scenarios where other network measures fail. Beyond its utility in network analysis, the RI is promising for change-point (anomaly) detection in dynamical systems studied by means of multivariate time series. |
| تعداد صفحات | 19 |
| چکیده به فارسی (ترجمه ماشینی) | زمینه و هدف: یک مقاله با گره های N را روی آن تصور کنید که در آن هر جفت یک آزمایش سکه را انجام می دهد.اگر سر ما این جفت را با یک پیوند غیر مستقیم وصل می کنیم ، در حالی که دم قطع ارتباط را حفظ می کند.این روش یک نمودار تصادفی به دست می آورد.حال در نظر بگیرید که این شبکه را بر روی مقاله دیگری با کمی تعصب-کسری از پیوندهای آن (تقریباً 1/10) در زیر تنظیم مجدد کنید.اگر دو مقاله را تغییر دهیم ، چگونه می توانیم نمودار تصادفی خالص را از حالت مغرضانه متمایز کنیم؟یافته ها: در پاسخ به این چالش ، ما یک متریک جدید به نام شاخص تصادفی (RI) پیشنهاد می کنیم.هرچه متریک به صفر نزدیکتر باشد ، درجه بالاتر تصادفی در نمودار است.RI می تواند بین شبکه های متراکم در دنیای کوچک و نمودارهای تصادفی متراکم تفاوت قائل شود.تمایزی که توسط خواص معمولی در دنیای کوچک مانند ضریب خوشه بندی و طول مسیر متوسط غیرممکن است.برای اعتبارسنجی اثربخشی آن ، ما RI را به شبکه های همبستگی زمانی شاخص های سهام اعمال می کنیم.یافته های ما نشان دهنده کاهش تصادفی در دوره های رکود اقتصادی جهانی است.نتیجه گیری: RI به عنوان یک متریک قدرتمند که قادر به توصیف توپولوژی دنیای کوچک است ، به ویژه در سناریوهایی که سایر اقدامات شبکه شکست می خورند ، ظاهر می شود.فراتر از کاربرد خود در تجزیه و تحلیل شبکه ، RI نویدبخش تشخیص نقطه تغییر (ناهنجاری) در سیستم های دینامیکی است که با استفاده از سری زمانی چند متغیره مورد مطالعه قرار می گیرد. |
| دسته بندی موضوعات | Social and Information Networks,شبکه های اجتماعی و اطلاعاتی ، |
| توضیحات | Submitted 27 December, 2023; originally announced December 2023. |
| توضیحات به فارسی | ارسال شده در 27 دسامبر 2023 ؛در ابتدا دسامبر 2023 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|