Proper time window size selection for timely evolving dynamic networks

Zamanla değişen sistemleri modellemek için uygun dinamik ağ çıkarımı önemli bir problemdir. Zamanla değişen sistemlerin dinamik ağ modellemesi, gerçek dünyaya dair öne çıkan özellikleri keşfetmeye yardımcı olur. Bu tür bir modellemenin temel problemi, ağdaki her bir eleman için uygun zaman aralığını belirlemektir. En uygun zaman penceresi, anlık görüntülerin zaman serilerinin en fazla bilgi içeren ve en az gürültülü olanlarının çıkarımını yapabilecek şekilde seçilmelidir. Mevcut çözümler, kullanıcı bazlı veri işaretlemesi gibi subjektif metotların uygulanması, sabit boyutlu pencerelerle anlık görüntü çıkarımı ve sadece ağ topolojisi özellikleri kullanılması gibi problemler içermektedir. Bu çalışmada, hem ilgili pencere boyunun uygunluğunu ölçen ağ benzerlikleri tabanlı bir sıkıştırma oranı hem de daha çok bilgi içeren ve daha az gürültülü yapılar oluşturan benzerlik ve istatistiksel anlamlılık bazlı bir pencere toplama stratejisi öneriyoruz. Enron, Haggle Infocom ve Reality Mining veri setleriyle aldığımızda sonuçlar, önerdiğimiz sıkıştırma oranı ile en iyi zaman boyunu referans noktamızdan daha etkili şekilde bulabildiğimizi ve toplama stratejimizin önemli dinamik olayları yakalayabildiğimizi gösteriyor. Ek olarak, istatistiksel sonuçlar, toplama stratejisiy kullanıldığında ağ topolojisinin karakterlerinin neredeyse etkilenmediğini de göstermektedir. Son olarak, toplama stratejisinin de uygun zaman aralığı seçimi için kullanılabileceği görülebilmektedir.