네트워크 성장 메커니즘 학습하기

우리는 동적 네트워크에 대한 새로운 모델 선택 방법을 제안한다. 본 연구의 접근법은 대량의 합성 네트워크 데이터를 기반으로 분류기를 학습시키는 것이다. 이 데이터는 동적 네트워크를 위한 최신 9개의 랜덤 그래프 모델을 시뮬레이션하여 생성되었으며, 네트워크 크기가 시간에 따라 지수적으로 증가하도록 파라미터 범위를 설정하였다. 우리는 특정 시간 간격 동안 일정한 정점 집합이 수신하는 새로운 링크의 수를 셀 수 있는 개념적으로 새로운 유형의 동적 특징을 설계하였다. 제안된 특징은 계산이 간편하고 해석이 가능하며 해석 가능한 해석 가능성을 지닌다. 제안하는 방법은 합성 네트워크에 대해 거의 완벽한 분류 성능을 달성하였으며, 기존 최고 수준의 기법을 크게 뛰어넘었다. 실제 인용 네트워크에 본 분류 방법을 적용한 결과, 선호적 첨부(preferential attachment), 적합성(fitness), 노화(ageing)를 포함한 모델이 실제 세계의 인용 네트워크에 가장 잘 맞는다는 문헌의 주장에 대한 신뢰성을 부여하였다. 다만, 때때로 예측된 모델은 정점의 적합성(fitness)을 포함하지는 않는다는 점도 관찰되었다.