spectral_graph_forge#
- spectral_graph_forge(G, alpha, transformation='identity', seed=None)[源代码]#
返回一个频谱类似于
G
该算法称为谱图伪造(SGF),计算给定图邻接矩阵的特征向量,对其进行滤波,生成具有相似特征结构的随机图。SGF在现实社会网络的综合中有着特殊的用途,它也可以用于图形敏感数据的匿名化。
- 参数
- G图
- alpha浮动
表示要考虑的G的特征向量的百分比的比率, [0,1] 。
- transformation字符串,可选
表示所需的矩阵线性变换,可能的值为‘恒等式’和‘模块化’
- seed整数、随机状态或无(默认)
多个随机数生成状态的指示符。看见 Randomness 。
- 返回
- H图
具有与输入图相似的特征向量结构的图。
- 加薪
- NetworkXError
如果转换的值与“identity”或“modularity”不同
笔记
谱图锻造(SGF)生成一个随机的简单图,类似于给定图的全局属性。它利用了由 阿尔法 精度参数。SGF保留输入图的节点数及其顺序。这样,输出图的节点类似于输入图的属性,并且可以直接映射属性。
它考虑了图邻接矩阵,可以选择将其转换为其他对称实矩阵(当前的转换选项包括 身份 和 模块性 )这个 模块性 从纽曼的模块化矩阵的意义上说,转换允许关注图中与社区结构相关的属性。
SGF采用低阶近似,其固定阶数由比率计算 阿尔法 输入图的邻接矩阵维数。该步骤对输入特征向量进行滤波,类似于电信中常见的低通滤波。
过滤后的值(截断后)被用作伯努利采样的输入,用于构造随机邻接矩阵。
工具书类
- 1
L.Baldesi,C.T.Butts,A.Markopoulou,“光谱图锻造:图形生成目标模块化”,IEEE信息com,18.网址:https://arxiv.org/abs/1801.01715
- 2
M.纽曼,“网络:导论”,牛津大学出版社,2010年。
实例
>>> G = nx.karate_club_graph() >>> H = nx.spectral_graph_forge(G, 0.3) >>>