Apprentissage des mécanismes de croissance des réseaux

Nous proposons une nouvelle méthode de sélection de modèles pour les réseaux dynamiques. Notre approche consiste à entraîner un classificateur sur un vaste ensemble de données synthétiques de réseaux. Ces données sont générées en simulant neuf modèles de graphes aléatoires d’avant-garde pour les réseaux dynamiques, avec des plages de paramètres choisies de manière à assurer une croissance exponentielle de la taille du réseau au fil du temps. Nous introduisons un type conceptuellement novateur de caractéristiques dynamiques, qui comptent le nombre de nouveaux liens reçus par un groupe de sommets au cours d’un intervalle de temps donné. Les caractéristiques proposées sont faciles à calculer, analytiquement traitables et interprétables. Notre méthode atteint une classification quasi-parfaite des réseaux synthétiques, dépassant largement l’état de l’art. L’application de notre méthode aux réseaux de citations réels renforce la crédibilité des affirmations présentes dans la littérature selon lesquelles les modèles incluant l’attachement préférentiel, la capacité (fitness) et le vieillissement (aging) s’ajustent le mieux aux réseaux de citations du monde réel, bien que, dans certains cas, le modèle prédit ne prenne pas en compte la notion de fitness des sommets.