Communities, clustering phase transitions, and hysteresis: Pitfalls in constructing network ensembles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ensembles of networks are used as null models in many applications. However, simple null models often show much less clustering than their real-world counterparts. In this paper, we study a "biased rewiring model" where clustering is enhanced by means of a fugacity as in the Strauss (or "triangle") model, but where the number of links attached to each node is strictly preserved. Similar models have been proposed previously in Milo [Science 298, 824 (2002)]. Our model exhibits phase transitions as the fugacity is changed. For regular graphs (identical degrees for all nodes) with degree k>2 we find a single first order transition. For all nonregular networks that we studied (including Erdös-Rényi, scale-free, and several real-world networks) multiple jumps resembling first order transitions appear. The jumps coincide with the sudden emergence of "cluster cores:" groups of highly interconnected nodes with higher than average degrees, where each edge participates in many triangles. Hence, clustering is not smoothly distributed throughout the network. Once formed, the cluster cores are difficult to remove, leading to strong hysteresis. To study the cluster cores visually, we introduce q-clique adjacency plots. Cluster cores constitute robust communities that emerge spontaneously from the triangle generating process, rather than being put explicitly into the definition of the model. All the quantities we measured including the modularity, assortativity, clustering and number of four and five-cliques exhibit simultaneous jumps and are equivalent order parameters. Finally, we point out that cluster cores produce pitfalls when using the present (and similar) models as null models for strongly clustered networks, due to strong hysteresis which leads to broken ergodicity on realistic sampling time scales.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle