foundations-network-science

该技能面向图数据分析，核心目标是选择合适的网络科学方法回答结构性问题。主要能力包括：中心性与PageRank权威度排序；社区发现（Louvain/Leiden及推断性SBM）；小世界与无标度网络检验；渗流与鲁棒性阈值；SIR/复杂传染扩散建模；链接预测；图嵌入；时序网络可达性；以及图模式设计（节点、边、属性的选择）。适用场景包括推荐活动种子选择、依赖爆炸半径分析、服务或模块影响评估、传播与采纳研究，以及智能体通信拓扑、记忆图、工具调用图等。用法上，需先明确目标总体、观察窗口、节点与边纳入规则、采样过程与估计量；数据为表格但存在隐式关系、高维稀疏或非局部交互时，可先显式设计图结构并建立非GNN基线，再使用图方法。限制与注意：图统计结果可能因缺节点、投影方式或边权定义而反转，不可仅凭网络规模判定有效性；无标度网络声明须做最大似然拟合与p值检验，不能仅看图；同质性常与传染混淆，邻近节点的相关采纳不能直接归因为传染；有向网络渗流不能按无向处理；时序路径是静态可达的子集；贪心或IMM种子集仅为近似，不保证最优；提出GNN方案前应有表格基线对照；中心性、模块度分辨率、阻尼系数等阈值应基于留出快照校准。部分具体参数、安装命令与完整实现细节暂未提供。