Analyse de réseau dynamique - Dynamic network analysis

L'analyse dynamique de réseau ( ADN ) est un domaine scientifique émergent qui rassemble l'analyse traditionnelle des réseaux sociaux (SNA), l' analyse des liens (LA), la simulation sociale et les systèmes multi-agents (SMA) au sein de la science des réseaux et de la théorie des réseaux .

Aperçu

Il y a deux aspects dans ce domaine. Le premier est l' analyse statistique des données ADN. Le second est l'utilisation de la simulation pour résoudre les problèmes de dynamique de réseau. Les réseaux ADN diffèrent des réseaux sociaux traditionnels en ce sens qu'ils sont des réseaux plus grands, dynamiques, multimodes et multiplexes, et peuvent contenir des niveaux d' incertitude variables . La principale différence entre l'ADN et le SNA est que l'ADN prend en compte les interactions des caractéristiques sociales conditionnant la structure et le comportement des réseaux. L'ADN est lié à l'analyse temporelle, mais l'analyse temporelle n'est pas nécessairement liée à l'ADN, car les changements dans les réseaux résultent parfois de facteurs externes qui sont indépendants des caractéristiques sociales trouvées dans les réseaux. L'un des cas les plus notables et les plus anciens d'utilisation de l'ADN se trouve dans l'étude du monastère de Sampson, où il a pris des instantanés du même réseau à différents intervalles et a observé et analysé l'évolution du réseau.

Les outils statistiques ADN sont généralement optimisés pour les réseaux à grande échelle et admettent l'analyse de plusieurs réseaux simultanément dans lesquels, il existe plusieurs types de nœuds (multi-nœuds) et plusieurs types de liens (multi-plex). Les réseaux multiplex multi-nœuds sont généralement appelés méta-réseaux ou réseaux de grande dimension. En revanche, les outils statistiques du SCN se concentrent sur des données monomodes ou tout au plus bimodales et facilitent l'analyse d'un seul type de lien à la fois.

Les outils statistiques ADN ont tendance à fournir plus de mesures à l'utilisateur, car ils ont des mesures qui utilisent des données tirées de plusieurs réseaux simultanément. Les modèles spatiaux latents (Sarkar et Moore, 2005) et la simulation à base d'agents sont souvent utilisés pour examiner les réseaux sociaux dynamiques (Carley et al., 2009). Du point de vue de la simulation informatique, les nœuds dans l'ADN sont comme des atomes dans la théorie quantique, les nœuds peuvent être, mais pas nécessairement, traités comme probabilistes. Alors que les nœuds d'un modèle SNA traditionnel sont statiques , les nœuds d'un modèle ADN ont la capacité d'apprendre. Les propriétés changent au fil du temps ; les nœuds peuvent s'adapter : les employés d'une entreprise peuvent acquérir de nouvelles compétences et accroître leur valeur pour le réseau ; ou, capturer un terroriste et trois autres sont forcés d'improviser. Le changement se propage d'un nœud à l'autre et ainsi de suite. L'ADN ajoute l'élément d'évolution d'un réseau et considère les circonstances dans lesquelles le changement est susceptible de se produire.

Un exemple de diagramme de réseau dynamique multi-entités, multi-réseaux

L'analyse de réseau dynamique présente trois caractéristiques principales qui la distinguent de l'analyse de réseau social standard. Tout d'abord, plutôt que d'utiliser uniquement les réseaux sociaux, DNA se penche sur les méta-réseaux. Deuxièmement, la modélisation basée sur les agents et d'autres formes de simulations sont souvent utilisées pour explorer comment les réseaux évoluent et s'adaptent ainsi que l'impact des interventions sur ces réseaux. Troisièmement, les liens du réseau ne sont pas binaires ; en fait, dans de nombreux cas, ils représentent la probabilité qu'il y ait un lien.

Connectivité

La connectivité des réseaux temporels peut être étudiée par une application au problème de percolation dirigée.[14] La probabilité de liens temporels a une valeur critique en dessous de laquelle la connectivité est nulle alors qu'au-dessus presque tous les nœuds peuvent être connectés. Cela peut être considéré comme une transition de phase.

Prévisibilité

Un cadre d'entropie, basé sur des régularités topologiques et temporelles combinées des liens, a été développé pour quantifier la prévisibilité des réseaux temporels.

Méta-réseau

Un méta-réseau est un réseau multi-mode, multi-liens et multi-niveaux. Multimode signifie qu'il existe de nombreux types de nœuds ; par exemple, les nœuds, les personnes et les emplacements. Multi-lien signifie qu'il existe de nombreux types de liens ; par exemple, l'amitié et les conseils. Multi-niveau signifie que certains nœuds peuvent être membres d'autres nœuds, comme un réseau composé de personnes et d'organisations et l'un des liens est de savoir qui est membre de quelle organisation.

Alors que différents chercheurs utilisent des modes différents, les modes communs reflètent qui, quoi, quand, où, pourquoi et comment. Un exemple simple de méta-réseau est la formulation PCANS avec des personnes, des tâches et des ressources. Une formulation plus détaillée prend en compte les personnes, les tâches, les ressources, les connaissances et les organisations. L'outil ORA a été développé pour soutenir l'analyse du méta-réseau.

Exemples de problèmes sur lesquels travaillent les personnes travaillant dans le domaine de l'ADN

  • Développer des mesures et des statistiques pour évaluer et identifier les changements au sein et entre les réseaux.
  • Développer et valider des simulations pour étudier le changement, l'évolution, l'adaptation, la décroissance du réseau. Voir Simulation informatique et études organisationnelles
  • Développer et tester la théorie du changement, de l'évolution, de l'adaptation, de la décroissance des réseaux
  • Développer et valider des modèles formels de génération et d'évolution de réseau
  • Développer des techniques pour visualiser l'évolution du réseau dans son ensemble ou au niveau du nœud ou du groupe
  • Développer des techniques statistiques pour voir si les différences observées au fil du temps dans les réseaux sont dues simplement à des échantillons différents d'une distribution de liens et de nœuds ou à des changements au fil du temps dans la distribution sous-jacente des liens et des nœuds
  • Développer des processus de contrôle des réseaux au fil du temps
  • Développer des algorithmes pour modifier la distribution des liens dans les réseaux au fil du temps
  • Développer des algorithmes pour suivre les groupes dans les réseaux au fil du temps
  • Développer des outils pour extraire ou localiser des réseaux à partir de diverses sources de données telles que des textes
  • Développer des mesures statistiquement valides sur les réseaux au fil du temps
  • Examen de la robustesse des métriques du réseau sous divers types de données manquantes
  • Etudes empiriques de réseaux multimodes multiliens multipériodes
  • Examiner les réseaux en tant que phénomènes probabilistes variant dans le temps
  • Prévoir l'évolution des réseaux existants
  • Identifier des sentiers dans le temps à partir d'une séquence de réseaux
  • Identifier les changements dans la criticité des nœuds étant donné une séquence de réseaux tout autre élément lié aux réseaux multimodes multiliens multipériodes
  • Étudier les marches aléatoires sur les réseaux temporels
  • Quantification des propriétés structurelles des séquences de contact dans les réseaux dynamiques, qui influencent les processus dynamiques
  • Évaluation des activités secrètes et des réseaux sombres
  • Analyse des citations
  • Analyse des réseaux sociaux
  • Évaluation des systèmes de santé publique
  • Analyse des résultats en matière de sécurité hospitalière
  • Évaluation de la structure de la violence ethnique à partir des données de l'actualité
  • Évaluation des groupes terroristes
  • Déclin social en ligne des interactions sociales
  • Modélisation des interactions en classe dans les écoles

Voir également

Les références

Lectures complémentaires

  • Kathleen M. Carley, 2003, "Dynamic Network Analysis" dans Dynamic Social Network Modeling and Analysis: Workshop Summary and Papers, Ronald Breiger, Kathleen Carley et Philippa Pattison, (Eds.) Comité sur les facteurs humains, Conseil national de recherches, Recherche nationale Conseil. Pp. 133-145, Washington, DC.
  • Kathleen M. Carley, 2002, « Agents intelligents et organisations du futur » Le manuel des nouveaux médias. Edité par Leah Lievrouw et Sonia Livingstone, Ch. 12, pp. 206-220, Thousand Oaks, CA, Sage.
  • Kathleen M. Carley, Jana Diesner, Jeffrey Reminga, Maksim Tsvetovat, 2008, Toward an Interoperable Dynamic Network Analysis Toolkit, DSS Special Issue on Cyberinfrastructure for Homeland Security: Advances in Information Sharing, Data Mining, and Collaboration Systems. Systèmes d'aide à la décision 43(4):1324-1347 ( article 20 )
  • Terrill L. Frantz, Kathleen M. Carley. 2009, Vers une estimation de la confiance pour la conclusion de l'acteur le plus central. Conférence annuelle de l'Academy of Management, Chicago, IL, États-Unis, 7-11 août. (Récipiendaire du prix Sage Publications/RM Division Best Student Paper Award)
  • Petter Holme, Jari Saramäki, 2011, "Réseaux temporels". https://arxiv.org/abs/1108.1780
  • C. Aggarwal, K. Subbian, 2014, « Analyse de réseau évolutionnaire : une enquête ». Enquêtes informatiques ACM, 47 (1). ( pdf )

Liens externes