เปรียบเทียบวิธี

	พลวัตของค่าศูนย์กลางแบบเวกเตอร์ลักษณะเฉพาะ (Dynamic Eigenvector Centrality)	การตรวจจับชุมชนเชิงเวลา
สาขาวิชา	การวิเคราะห์เครือข่าย	การวิเคราะห์เครือข่าย
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2010s	2010
ผู้ริเริ่ม	Lerman, K.; Ghosh, R.; Kang, J. H.	Mucha, P. J. et al.
ประเภท	Centrality measure for time-evolving networks	Network clustering algorithm
แหล่งต้นตำรับ	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.	Mucha, P. J., Richardson, T., Macon, K., Porter, M. A., & Onnela, J.-P. (2010). Community structure in time-dependent, multiscale, and multiplex networks. Science, 328(5980), 876–878.
ชื่อเรียกอื่น	temporal eigenvector centrality, time-varying eigenvector centrality, dynamic EC, evolving eigenvector centrality	dynamic community detection, time-varying community detection, evolutionary community detection, longitudinal community detection
ที่เกี่ยวข้อง	4	6
สรุป	Dynamic eigenvector centrality extends the classic eigenvector centrality measure to networks that change over time. Rather than computing a single leading eigenvector on a static adjacency matrix, it tracks how a node's influence — defined by the importance of its neighbours — evolves across snapshots or time windows. The method is used in social network analysis, epidemiology, and information diffusion studies where network topology shifts continuously.	Temporal community detection identifies cohesive groups (communities) in networks whose structure changes over time. By treating each time snapshot as a network layer and coupling consecutive layers, it reveals how communities form, merge, split, grow, or dissolve — turning a sequence of static snapshots into a continuous narrative of group evolution.