Informative core identification in complex networks
复杂网络中的信息核心识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究网络核心—外围结构识别及其对社区检测等网络分析的作用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
复杂网络中的信息核心识别
- 研究问题
- 复杂网络中非信息性连接可能掩盖核心结构，如何在不规定核心具体形态的情况下识别核心，以支持后续网络分析？
- 方法与思路
- 作者提出针对非信息性外围结构的核心—外围模型，并在该模型下构造谱识别算法，通过模拟和引文网络应用评估。
- 材料陈述的贡献
- 摘要称算法具有较强性能保证且可扩展到大型网络；模拟显示相对多种传统方法的优势，引文应用得到更可解释的层级社区。
- 阅读关注点
- 应核对外围结构假设、核心判别规则、性能保证所需条件与规模成本，并检查模拟基准及层级社区可解释性的评价依据。
- 阅读边界
- 仅据所给 Crossref 摘要；保证的具体形式、网络条件与优势幅度未说明，不能推广到任意网络或所有下游任务。
原文摘要
Abstract In a complex network, the core component with interesting structures is usually hidden within noninformative connections. The noises and bias introduced by the noninformative component can obscure the salient structure and limit many network modeling procedures’ effectiveness. This paper introduces a novel core–periphery model for the noninformative periphery structure of networks without imposing a specific form of the core. We propose spectral algorithms for core identification for general downstream network analysis tasks under the model. The algorithms enjoy strong performance guarantees and are scalable for large networks. We evaluate the methods by extensive simulation studies demonstrating advantages over multiple traditional core–periphery methods. The methods are also used to extract the core structure from a citation network, which results in a more interpretable hierarchical community detection.