Machine learningNetwork science

Dynaaminen ominaisvektorikeskeisyys

Dynaaminen ominaisvektorikeskeisyys laajentaa klassista ominaisvektorikeskeisyyden mittaria ajassa muuttuviin verkostoihin. Sen sijaan, että laskettaisiin yksi johtava ominaisvektori staattiselle vierusmatriisille, se seuraa, miten solmun vaikutus – määriteltynä sen naapureiden tärkeydellä – kehittyy otoksissa tai aikajaksoissa. Menetelmää käytetään sosiaalisten verkostojen analyysissä, epidemiologiassa ja informaation leviämisen tutkimuksissa, joissa verkoston topologia muuttuu jatkuvasti.

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. Lerman, K., Ghosh, R., & Kang, J. H. (2010). Centrality metric for dynamic networks. Proceedings of the 8th Workshop on Mining and Learning with Graphs (MLG '10). ACM. link
  2. Eigenvector centrality. Wikipedia. link

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Dynamic Eigenvector Centrality in Temporal Networks. ScholarGate. https://scholargate.app/fi/network-analysis/dynamic-eigenvector-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 Eigenvector Centrality (Dynamic Eigenvector Centrality in Temporal Networks). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/network-analysis/dynamic-eigenvector-centrality · Aineisto: https://doi.org/10.5281/zenodo.20539026