인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Centrality measures are crucial for network analysis, offering insights into node importance within complex networks. However, their accuracy is often affected by observational errors and incomplete data. This study investigates how sampling biases systematically impact centrality measures. We simulate six types of biased down-sampling, transitioning networks from dense to sparse states, using the initial network as the 'ground truth.' Changes in centrality values reveal the robustness of these measures under various sampling scenarios across synthetic and biological networks. Our results show that in synthetic networks, some sampling methods consistently exhibit higher robustness, particularly in scale-free networks. For biological networks, protein interaction networks are the most robust, followed by metabolite, gene regulatory, and reaction networks. Local centrality measures generally show greater robustness, while global measures are more heterogeneous and less reliable. This study highlights the limitations of centrality measures under sampling biases and informs the development of more robust methodologies.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
