Resumen

La predicción de enlaces es una tarea importante en el análisis de redes complejas. Los métodos tradicionales de predicción de enlaces están limitados por la topología de la red y la falta de información sobre las propiedades de los nodos, lo que dificulta la predicción de enlaces. En este estudio, abordamos la predicción de enlaces utilizando un modelo gráfico gaussiano disperso y demostramos su eficacia teórica y práctica. En teoría, la predicción de enlaces se ejecuta estimando la matriz de covarianza inversa de las muestras para superar los límites de información. El método propuesto se evaluó con cuatro conjuntos de datos reales pequeños y cuatro grandes. Los resultados experimentales muestran que el valor del área bajo la curva (AUC) obtenido por el método propuesto mejoró una media del 3% y el 12,5% en comparación con 13 métodos de similitud convencionales, respectivamente. Este método supera al método de referencia, y la precisión de la predicción es superior a la de los métodos convencionales cuando se utiliza sólo el 80% del conjunto de entrenamiento. El método también proporciona valores AUC significativamente superiores cuando se utiliza sólo el 60% en los conjuntos de datos Dolphin y Taro. Además, la tasa de error del método propuesto demuestra un rendimiento superior con todos los conjuntos de datos en comparación con los métodos convencionales.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Predicción de enlaces; análisis de redes complejas; modelo gráfico gaussiano disperso; eficacia teórica y práctica; matriz de covarianza inversa; área bajo la curva (AUC).
• Keywords:Link prediction; complex network analysis; sparse Gaussian graphical model; theoretical and practical effectiveness; inverse covariance matrix; area under the curve (AUC)