فهم آليات نمو الشبكة

نُقدِّم طريقة جديدة لاختيار النماذج في الشبكات الديناميكية. يعتمد نهجنا على تدريب تصنيفية على كمية كبيرة من البيانات الاصطناعية للشبكات. تم إنشاء هذه البيانات عن طريق محاكاة تسع نماذج رياضية متقدمة للرسوم البيانية العشوائية في الشبكات الديناميكية، مع اختيار نطاقات معلمات تضمن النمو الأسي لحجم الشبكة مع مرور الزمن. وقد صممنا نوعًا مفاهيميًا جديدًا من الميزات الديناميكية، والتي تُعدّ عدد الروابط الجديدة التي تتلقاها مجموعة من الرؤوس خلال فترة زمنية معينة. وتتميز الميزات المقترحة بالسهولة في الحساب، والقابلية للتحليل الرياضي، والقابلية للتفسير. وقد حقق نهجنا تصنيفًا شبه مثالي للشبكات الاصطناعية، متفوقًا على أحدث التقنيات بفارق كبير. وعند تطبيق طريقة التصنيف هذه على شبكات الاقتباس الواقعية، تم تأكيد مصداقية الادعاءات الواردة في الأدبيات العلمية بأن النماذج التي تعتمد على الربط المفضل، والكفاءة، والشيخوخة، هي الأفضل في تمثيل شبكات الاقتباس الواقعية، رغم أن النموذج المُتنبأ به لا يتضمن دائمًا مفهوم الكفاءة للرؤوس.