Generation of random graphs with applications to complex networks
Notice bibliographique
Résumé
Given a sequence d of n positive integers, n−1 ≥ d1 ≥ d2 ≥ . . . ≥ dn ≥ 0, different sets of necessary and sufficient conditions have been proposed for the graphicality of such a sequence. When such a graph exists, we can use 2-switches of pairs of independent edges to transform one such graph G into another graph G′ with the same degree sequence. This was proved by various authors. In this thesis we address the question whether a given graph G is at all switchable. Indeed, we show that unswitchable graphs are a proper subclass of split graphs, and exploit this fact to propose efficient algorithms for the recognition and generation of unswitchable graphs. This question of unswitchability is important as switching has been tried as a mechanism for generating a random graph with a given degree sequence or for generating new ones, preserving properties like simplicity or connectedness (this is known as constrained switching). In the second part of this thesis, motivated by the application to the area of so−called complex networks (examples are: protein−protein interaction networks, social networks, metabolic networks etc.), the statistical properties of province-wise transportation networks of Canada are studied and compared with two random graphs, generated using the Erdos-Renyi model and the Configuration model. A method to extract transportation network and network resilience two key practical contributions are discussed in depth. Finally, taking cue from the configuration model, in an appendix we discuss an implementation that generates a directed graph uniformly at random, using a Markov Chain Monte Carlo (MC−MC) method.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».