Resumen

Muchas redes temporales exhiben múltiples estados del sistema, como patrones de días de semana y fines de semana en redes de contacto social. La detección de tales estados distintos en datos de redes temporales ha sido estudiada recientemente, ya que ayuda a revelar procesos dinámicos subyacentes. Un método comúnmente utilizado es la agregación de redes en una ventana de tiempo, que agrega una subsecuencia de múltiples instantáneas de red en una red estática. Sin embargo, este método descarta necesariamente la dinámica temporal dentro de la ventana de tiempo. Aquí proponemos un nuevo método para detectar estados dinámicos en redes temporales utilizando series de conexión (es decir, series temporales de estado de conexión) entre nodos. Nuestro método consiste en la construcción de tensores de series de conexión en ventanas de tiempo no superpuestas, la medición de similitud entre estos tensores y la detección de comunidades en la red de similitud de esas ventanas de tiempo. Experimentos con datos empíricos de redes temporales demostraron que nuestro método superó al

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Redes temporales; Estados del sistema; Procesos dinámicos; Agregación de redes; Series de conexiones; Detección de comunidades
• Keywords:Temporal networks; System states; Dynamic processes; Network aggregation; Connection series; Community detection