เปรียบเทียบวิธี

	การวิเคราะห์เครือข่ายสองโหมดพลวัต	การตรวจจับชุมชนเชิงเวลา
สาขาวิชา	การวิเคราะห์เครือข่าย	การวิเคราะห์เครือข่าย
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2012	2010
ผู้ริเริ่ม	Borgatti, S. P. & Halgin, D. S. (affiliation networks); Holme, P. & Saramäki, J. (temporal networks)	Mucha, P. J. et al.
ประเภท	Longitudinal bipartite network analysis	Network clustering algorithm
แหล่งต้นตำรับ	Borgatti, S. P., & Halgin, D. S. (2011). Analyzing affiliation networks. In J. Scott & P. J. Carrington (Eds.), The SAGE Handbook of Social Network Analysis (pp. 417–433). SAGE.	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	Dynamic bipartite network analysis, Temporal two-mode network analysis, Longitudinal affiliation network analysis, Dynamic actor-event network analysis	dynamic community detection, time-varying community detection, evolutionary community detection, longitudinal community detection
ที่เกี่ยวข้อง	6	6
สรุป	Dynamic two-mode network analysis studies bipartite networks — structures with two distinct node types, such as actors and events or authors and papers — as they evolve over time. By tracking how memberships, affiliations, and co-participations change across temporal snapshots, it reveals the emergence, dissolution, and reorganization of collaborative or membership structures that static analysis would miss.	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.