技术摘要：$\theta_g$-模糊网络中的统一模糊中心性剖面与排名稳定性

1. 问题陈述

现实世界的网络通常涉及不确定或分级的关系，其中边代表的是不同强度的连接、可靠性或可用性，而非二元连接。虽然模糊图理论为建模此类系统提供了框架，但在中心性分析中存在一个显著挑战：不同的模糊中心性度量（例如度中心性、接近中心性、介数中心性、Katz 中心性）往往会导致相互冲突的顶点重要性排名。

单一的中心性指标可能无法捕捉顶点重要性的多维特性，这种特性可以通过局部、基于距离、基于路径、基于邻域以及基于游走（walk）的视角来观察。此外，现有的关于模糊连通性和支配性的研究已经建立了特定的结构设置，例如 $\theta_g$-模糊图，其中每对不同的顶点都具有唯一确定的循环强度评估。然而，在这一特定结构设置内，通过多种中心性维度分析顶点重要性，并评估其排名稳定性的统一框架仍然是缺失的。

2. 研究方法

本文提出了一个专门针对 $\theta_g$-模糊图设计的统一模糊中心性剖面框架。该方法通过以下步骤进行：

2.1 结构基础

该框架运行于 $\theta_g$-模糊图之上，其定义为：对于任意一对不同的顶点 $u, v$，循环强度集合 $\theta_g(u, v)$ 要么为空，要么是单元素集。这确保了循环关系是定义良好的，这一条件在每个包含特定顶点对的循环都共享唯一瓶颈强度的图中得到满足。

2.2 输入度量

该框架利用了一组模糊中心性度量族 $\mathcal{M} = \{C_1, C_2, \dots, C_q\}$，包括：

• 局部/邻域： 模糊度（Fuzzy Degree, $C_D$）、基于邻域的中心性（Alter-based, $C_{AC}$）以及基于邻域的幂次中心性（Alter-based Power, $C_{AP}$）。
• 基于距离： 使用切比雪夫距离的模糊接近中心性（Fuzzy Closeness, $C_C$）和模糊离心率（Fuzzy Eccentricity, $C_{ecc}$）。
• 基于路径： 基于路径强度的模糊介数中心性（Fuzzy Betweenness, $C_B$）。
• 基于游走： 模糊 Katz 中心性（Fuzzy Katz, $C_K$）和模糊子图中心性（Fuzzy Subgraph, $C_{sub}$）。

2.3 剖面构建

1. 归一化： 每个原始中心性度量 $C_j$ 通过除以图中的最大值被归一化为数值 $\hat{C}_j(v) \in [0, 1]$。这使得异构的度量能够在统一的尺度上进行比较。
2. 剖面向量： 对于每个顶点 $v$，构造一个由归一化得分组成的向量作为其模糊中心性剖面 $\Phi_{\mathcal{M}}(v) = (\hat{C}_1(v), \hat{C}_2(v), \dots, \hat{C}_q(v))$。

2.4 聚合与比较

• 集成评分： 计算加权和 $C_\omega(v) = \sum \omega_j \hat{C}_j(v)$，以根据特定的分析优先级（容许权重向量 $\omega$）生成标量排名。
• 剖面支配： 引入了一种与权重无关的比较方法：如果对于所有 $j$，都有 $\hat{C}_j(u) \ge \hat{C}_j(v)$，则称顶点 $u$ 支配 $v$（$u \succeq_\Phi v$）。不被任何其他顶点严格支配的顶点构成了剖面非支配顶点集（$ND_\Phi(G)$）。

2.5 稳定性分析

为了解决排名不一致问题：

• Top-$k$ 重叠度： 衡量两个不同中心性度量的 top-$k$ 集合之间的吻合程度。
• 稳定性得分 ($Stab_k(v)$)： 计算在 $\mathcal{M}$ 中的中心性度量中，将顶点 $v$ 排入其前 $k$ 名的比例。
• 阈值稳定集合： 识别出稳定性得分高于阈值 $\tau$ 的顶点，将其称为稳定中心顶点。

3. 主要贡献

1. 统一剖面框架： 本文引入了一种方法，将顶点重要性表示为多维向量而非标量，从而实现对 $\theta_g$-模糊图中局部、距离、路径和游走维度的重要性进行同步分析。
2. 权重无关的支配关系： 建立了一种支配关系 ($\succeq_\Phi$)，可以在不需要主观权重分配的情况下识别结构重要的顶点，并将该概念与多准则优化中的帕累托最优联系起来。
3. 稳定性指标： 引入了 Top-$k$ 重叠度 和 稳定性得分，为评估不同中心性模型之间的排名一致性提供了定量工具。
4. 在 $\theta_g$-结构上的验证： 该框架在 $\theta_g$-模糊图上进行了严格测试，证明了即使在具有共享边循环核心的图中（即循环共享边但保持唯一的强度评估），剖面法也能有效地识别稳定的中心节点。

4. 结果

本文通过三组数值实验验证了该框架：

• 小型说明性示例： 在一个构建的 8 顶点 $\theta_g$-模糊图中，结果显示虽然不同的度量产生了不同的前 3 名排名，但剖面框架成功识别出顶点 $f_3$ 和 $f_4$ 是稳定的（在 75% 的度量中出现在前 3 名列表中）。
• 构建的排名不一致示例： 一个具有共享边循环核心的 12 顶点图展示了显著的排名分歧。例如，接近中心性选择的前 5 名集合与度中心性和 Katz 中心性完全不同。然而，稳定性分析显示，顶点 $u$ 和 $v$（共享边核心）在 87.5% 的度量下保持稳定，而没有任何顶点在全部 8 个度量中都被选中。
• 基于真实拓扑的模拟： 使用“Karen”互联网拓扑（25 个顶点），根据链路速度和节点度分配模糊隶属度以满足 $\theta_g$ 条件。结果表明，基于模糊距离的接近中心性在 top-5 水平上与其他度量完全没有重叠。相反，顶点 PNR（稳定性 0.875）和 WLG（稳定性 0.750）被识别为最稳定的中心节点，它们出现在大多数中心性度量的前 5 名列表中。

5. 意义与主张

本文主张，与任何单一的模糊中心性度量相比，所提出的基于剖面的方法能更稳健地理解不确定网络中的顶点重要性。通过归一化和聚合多种视角，该框架：

• 消除歧义： 它允许识别出“稳定中心顶点”，这些顶点无论从何种结构视角（局部 vs 全局，路径 vs 游走）来看，都具有一致的重要性。
• 量化一致性： 它提供了明确衡量不同中心性模型之间分歧程度的指标（重叠度和稳定性得分）。
• 适用性： 该框架适用于 $\theta_g$-模糊图（一类具有定义良好的循环结构的图），并且能够处理真实拓扑模拟中发现的非均匀模糊隶属度。

作者得出结论，通过多维剖面比较可以更好地理解稳定的中心顶点。他们建议未来的工作可以将此扩展到数据驱动的隶属度估计、大规模网络的可扩展计算，以及动态或多层 $\theta_g$-模糊图模型。