Machine learningNetwork science

Dynaaminen läheisyyskeskeisyys

Dynaaminen läheisyyskeskeisyys laajentaa klassista läheisyyskeskeisyyttä ajallisille verkoille laskemalla lyhimmät aikaa kunnioittavat polut – polut, jotka kulkevat särmiä kronologisessa järjestyksessä – ja keskiarvoistamalla käänteiset etäisyydet kaikkien aikaikkunoiden yli. Se paljastaa, mitkä solmut saavutetaan tehokkaimmin kehittyvässä verkossa, seuraten solmun keskeisyyden nousua ja laskua yhteyksien ilmestyessä ja kadotessa ajan myötä.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

The neighbourhood of related methods — select a node to explore.

Lähteet

  1. Tang, J., Musolesi, M., Mascolo, C., Latora, V. & Nicosia, V. (2010). Analysing information flows and key mediators through temporal centrality metrics. Proceedings of the 3rd Workshop on Social Network Systems (SNS '10). ACM. DOI: 10.1145/1852658.1852661
  2. Holme, P. & Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3), 97–125. DOI: 10.1016/j.physrep.2012.03.001

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Dynamic Closeness Centrality in Temporal Networks. ScholarGate. https://scholargate.app/fi/network-analysis/dynamic-closeness-centrality

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateDynamic Closeness Centrality (Dynamic Closeness Centrality in Temporal Networks). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/network-analysis/dynamic-closeness-centrality · Aineisto: https://doi.org/10.5281/zenodo.20539026