Machine learningNetwork science

Dynamiczne centrum własne

Dynamiczne centrum własne rozszerza klasyczną miarę centrum własnego na sieci, które zmieniają się w czasie. Zamiast obliczać pojedynczy dominujący wektor własny na statycznej macierzy sąsiedztwa, śledzi ono, jak wpływ węzła – definiowany przez ważność jego sąsiadów – ewoluuje w kolejnych migawkach lub oknach czasowych. Metoda ta znajduje zastosowanie w analizie sieci społecznościowych, epidemiologii i badaniach dyfuzji informacji, gdzie topologia sieci ulega ciągłym zmianom.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

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

Źródła

  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

Jak cytować tę stronę

ScholarGate. (2026, June 3). Dynamic Eigenvector Centrality in Temporal Networks. ScholarGate. https://scholargate.app/pl/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). Pobrano 2026-06-15 z https://scholargate.app/pl/network-analysis/dynamic-eigenvector-centrality · Zbiór danych: https://doi.org/10.5281/zenodo.20539026