Motifs与Graphlets
目录
引入
Subgraphs
Network motifs
1.定义
2. 检测motifs
3.motifs 概念的变体
graphlets
如何找到modifs与graphlets
引入
Subnetworks是构建网络的模块,它们可以表征网络的结构与区分不同的网络。
下图中的子图是(每一个和其他的都不同)异构的,且都是连通的、有不同数量的边、边的方向不同
1.对于每一个子图:想象有一个矩阵可以区分子图的”significance“
- 负值表明 under-representation
- 正值表明 over-representation
2.创建一个network significance profile
是一个具有所有子图significance值的feature vector
3.通过比较network significance profile区分不同的图
从图中可以看出来自相同领域的网络有相似的significance profile;不同领域的significance profile值不同
Subgraphs
Network motifs
1.定义
network motifs:
- pattern:小的诱导子图(图 G 的诱导子图是由图 G 的顶点的子集 X 和连接子集 X 中顶点对的所有边组成的图。)
- Recurring:出现的频率很高
- Significant:比预期出现的更频繁(预期是指和null model相比,最简单的null model可能就是ER随机图等,但更好的是和图中的度数保持一致)
(1)pattern小的诱导子图:
图中红色三角形里不是motifs因为它不是诱导子图
(2)Recurrence:
允许重叠的overlapping motifs,图中感兴趣的motif有四次occurrences
(3)Significance
(3.1)思想:在真实世界中比随机网络中出现更频繁的子图有功能significance
图中的motif在真是网络中出现比随机图中出现频繁——over-presentation
(3.2)计算significance
- Motifs在真实网络和随机网络(null model)相比是overrepresented
定义了统计意义的motif i的重要性
SP是一个归一化的Z-scores向量,为什么归一化?因为SP强调了子图的相对significance:
比较不同规模网络的importance,通常网络规模越大Z-score的分数越大(则比较两个网络的significance不知道是因为本来motifs频率大还是网络规模大)
- Configuration Model——在计算significance时如何构造null model(零模型)
- 构造方法一:随机连接
构造出与真实网络有相同degree sequence的null model
忽略随机连节点对时可能出现double边或self-loops,虽然可能产生degree sequence不同了,但当网络规模很大时,可以近似相等。
- 构造方法二:随机交叉
随机选择一对边,然后重连两个边,交叉两个点。 生的随机图的节点的度,不发生改变。但计算的代价会较高,运行慢。 为了保证随机图的随机性,需要运行的次数为 Q * E 次,其中Q应尽可能的大,如100。
2. 检测motifs
- 计算真实网络中子图i
- 计算构造的随机图中子图i(有多个随机图,每个随机图和真实网络有i谢娜沟通的节点边数和度分布)
- 计算Z-score,进一步归一化为SP,得分高的为网络的modif
3.motifs 概念的变体
graphlets
motifs是描述整个网络,整个网络有什么组成
graphlets是在一个给定节点周围描述整个网络
graphlets:rooted(基于给定节点)连通的异构子图与motifs区分
引入GDV:计算一个节点参与的小图的数量
GDV——是一个根植于给定节点的子图的数量向量
因为graphlets是诱导子图( induced subgraph 节点的所有连接都要包含在内),所以节点在位置c不行,另两个节点必须要连接。
GDV提供了一种测量节点局部网络拓扑的方法,通过比较两个节点的GDV提供了一种比node degree和聚类系数更细节的测量局部拓扑相似性的方法。
如何找到modifs与graphlets
- 困难
找到size-k的modifs/graphlets需要解决两个挑战:枚举与计数。这两个计算很困难,计算时间久,因此只能找到小型的modifs/graphlets
- 使用ESU枚举所有k-size modifs/graphlets
- Use ESU-Tree to Count Subgraphs
Motifs与Graphlets相关推荐
- cs224w 图神经网络 学习笔记(三)Motifs and Structural Roles in Networks
课程链接:CS224W: Machine Learning with Graphs 课程视频:[课程]斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 这一课主要是讲 子图(subnet ...
- 2、Motifs and Structural Roles in Networks
Motifs and Structural Roles in Networks Network motifs Configuration Model Graphlets Finding Motifs ...
- CS244W: Machine Learning with Graphs (3) ——网络中的Motifs和结构
一.子网络(Subnetworks) 子网络或子图是组成网络的基础模块,它们同样可以帮助我们表征和区分网络. 例如,节点数为3的有向子图的所有可能情况(不包含同构的子图)如下: 如果使用这些三个节点的 ...
- CS224w 03-Motifs and Structural Roles in Networks
文章目录 03-Motifs and Structural Roles in Networks 3.1 Subgraphs 3.1.1 motifs 3.1.2 Graphlets: Node fea ...
- 图深度学习:成果、挑战和未来[AI前沿技术]
关注:决策智能与机器学习,深耕AI脱水干货 作者 / McGL 来源 | 知乎 授权转载 图深度学习是近期的研究热点.Michael教授带你了解目前最新成果及未来挑战. Deep learning o ...
- CS224W note 3
网络的主旨(motifs)和结构规则 嘛,核心思想是,网络往往存在大量的重复结构,而如何度量某个结构在网络中的重要性,这边用了motifs来表述. 首先考虑每一个子图,可以用一个特征向量来对这些子图进 ...
- CS224W-图神经网络 笔记3.1:Motifs and Structural Roles in Networks - 网络的结构(Motifs and Graphlet)
CS224W-图神经网络 笔记3.1:Motifs and Structural Roles in Networks - 网络的结构(Motifs and Graphlet) 本文总结之日CS224W ...
- [Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context 论文解读
[Scene Graph] Neural Motifs: Scene Graph Parsing with Global Context (CVPR 2018) 论文解读 简介 这篇文章工作的创新之处 ...
- 场景图生成论文阅读笔记 之 Neural Motifs
CVPR2018 <Neural Motifs: Scene Graph Parsing with Global Context> 文章目录 <Neural Motifs: Scen ...
最新文章
- python考证书-计算机二级 Python 怎么考?考什么?
- php中array怎么用,php array函数怎么用
- c++ 操作oracle 最佳方式_oracle备份恢复基础详解
- 【LOJ#6036】[雅礼集训2017Day4]编码
- Redis基本操作练习
- Go基础学习记录 - 编写Web应用程 - 完善Blog Model
- C#使用并行任务库(TPL)
- python在哪个方向岗位最多_Python就业方向这么多,哪些岗位最有发展?
- luaprofiler探索
- 第九课 go的循环语句
- 全网最详细的hive-site.xml配置文件里如何添加达到Hive与HBase的集成,即Hive通过这些参数去连接HBase(图文详解)...
- 第一次使用Pocket-PowerBuilder和开发DLL的经历
- PyAudio库简介
- 机器学习 | 泰坦尼克号数据集
- 正则表达式总结regex
- Win10 cmd禁用笔记本自带键盘
- 【NEW02】Servlet 基础
- char在python中什么意思_C语言-char 类型基本概念
- asp.net实现识别客户端浏览器或操作系统
- 日期倒计时App——SpecialDay