Machine learningNetwork science

Centralité par vecteur propre temporel

La centralité par vecteur propre temporel étend la centralité par vecteur propre classique aux réseaux qui évoluent dans le temps. En tenant compte de l'ordre et du moment des connexions, elle identifie les nœuds qui sont influents non seulement parce qu'ils ont de nombreuses connexions simultanées, mais parce qu'ils se trouvent aux carrefours de chemins séquentiellement importants à travers de multiples tranches temporelles du réseau.

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. Grindrod, P., Parsons, M. C., Higham, D. J., & Estrada, E. (2011). Communicability across evolving networks. Physical Review E, 83(4), 046120. DOI: 10.1103/PhysRevE.83.046120
  2. Taylor, D., Myers, S. A., Clauset, A., Porter, M. A., & Mucha, P. J. (2017). Eigenvector-based centrality measures for temporal networks. Multiscale Modeling and Simulation, 15(1), 537-574. DOI: 10.1137/16M1066142

Comment citer cette page

ScholarGate. (2026, June 3). Temporal Eigenvector Centrality (Dynamic Eigenvector-Based Node Importance in Time-Varying Networks). ScholarGate. https://scholargate.app/fr/network-analysis/temporal-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

Référencée par

ScholarGateTemporal Eigenvector Centrality (Temporal Eigenvector Centrality (Dynamic Eigenvector-Based Node Importance in Time-Varying Networks)). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/temporal-eigenvector-centrality · Jeu de données : https://doi.org/10.5281/zenodo.20539026