Machine learningNetwork science

Dinamiskā tuvuma centrāle

Dinamiskā tuvuma centrāle paplašina klasisko tuvuma centrāli uz laika tīkliem, aprēķinot īsākos laiku ievērojošos ceļus — ceļus, kas šķērso malas hronoloģiskā secībā — un vidēji apgrieztās distances visos laika logos. Tā atklāj, kuri mezgli ir visefektīvāk sasniedzami mainīgā tīklā, izsekojot, kā mezgla centrāle pieaug un samazinās, savienojumiem parādoties un izzūdot laika gaitā.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

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

Avoti

  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

Kā citēt šo lapu

ScholarGate. (2026, June 3). Dynamic Closeness Centrality in Temporal Networks. ScholarGate. https://scholargate.app/lv/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). Izgūts 2026-06-15 no https://scholargate.app/lv/network-analysis/dynamic-closeness-centrality · Datu kopa: https://doi.org/10.5281/zenodo.20539026