Machine learningNetwork science

Centralité propre dynamique

La centralité propre dynamique étend la mesure classique de centralité propre aux réseaux qui évoluent dans le temps. Plutôt que de calculer un unique vecteur propre dominant sur une matrice d'adjacence statique, elle suit l'évolution de l'influence d'un nœud — définie par l'importance de ses voisins — à travers des instantanés ou des fenêtres temporelles. Cette méthode est utilisée dans l'analyse des réseaux sociaux, l'épidémiologie et les études de diffusion d'information où la topologie du réseau change continuellement.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  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

Comment citer cette page

ScholarGate. (2026, June 3). Dynamic Eigenvector Centrality in Temporal Networks. ScholarGate. https://scholargate.app/fr/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). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/dynamic-eigenvector-centrality · Jeu de données : https://doi.org/10.5281/zenodo.20539026