Self-Liking Group in Networks With Multi-Class Nodes
Notice bibliographique
Résumé
Nodes in complex networks are generally allocated into groups using community detection methods. These communities are based on the interactions between nodes (links). Conversely, in machine learning,clustering methodsgroup data points into classes based on their attribute's similarities regardless of their interactions. Although both communities and clustering methods classify data points into groups, they are fundamentally different. Clustering relies on attribute similarity, while communities focus on interaction patterns. The present study bridges these two distinct approaches by introducing a new concept - Self-Liking Groups (SLG). Based on entropy considerations, SLG quantifies the preference of node classes to interact with similar ones based on their communication patterns, thus combining both the community and the clustering methods. We demonstrate SLG in three case studies: (i) A career network of 2.5 million companies, linked by 8 million job switches. Here, SLG reveals the openness of different industrial sectors to workers in other sectors. For example, the Healthcare sector shows the highest SLG, i.e., it is the least open to accepting workers from other sectors, while the Energy sector has a high SLG, but only for educated workers. Also, managers' shift between different sectors is more limited due to higher SLG. (ii) A scientific co-authorship network where SLG measures the openness of collaboration between different countries. China, India and Japan, have stronger SLG and are thus more likely to collaborate with scientists in their own country compared to the USA, Canada, and most EU countries. (iii) In the medical scientific research space, SLG reveals that Japan, a country known for its longevity, is extremely close compared to China or India. We also find that SLG is a stable measure across various community detection methods and initial parameter spaces. This implies that SLG captures a fundamental property of networks with heterogeneous nodes and is useful in analyzing real complex network scenarios.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».