Narrow scope for resolution-limit-free community detection
近年来，大型网络中的社区检测引起了人们的广泛关注。虽然模块化仍然是社区检测的最流行的方法之一，但所谓的分辨率限制仍然是一个显著的缺点。为了克服这个问题，最近有人建议，与其将网络与随机零模型进行比较，不如将其与常数因子进行比较。然而，目前尚不清楚“无分辨率限制”的确切含义，即不受分辨率限制的影响。此外，问题仍然是哪些其他方法可以被归类为无分辨率限制。本文给出了无分辨限方法的严格定义，并导出了无分辨限方法的一些基本性质。更重要的是，我们能够确切地证明哪一类社区检测方法是无分辨率限制的。此外，我们分析了哪些方法不是无分辨率限制的，这表明无分辨率限制的社区检测方法的范围有限。最后，我们提供了这样一个自然的配方，并显示它表现出色。
2011-08-01 cs.SI physics.soc-ph
Alternative approach to community detection in networks
社区检测的问题是相关的许多学科的科学和模块化优化是广泛接受的方法，用于此目的。它最近已被证明，这种方法提出了一个分辨率限制，它是不可能的，以检测社区的大小小于一个阈值，这取决于网络的大小。此外，这种做法产生的社区可能不符合通常的社区定性定义，即，社区中的节点之间的连接比社区外的节点之间的连接更多。本文介绍了一种新的复杂网络社区发现方法。我们基于Radicchi等人（Proc.Nat.Acad. Sci. USA 101，2658-2663（2004）），并且我们表明这种局部定义避免了在模块化优化方法中发现的分辨率限制问题。
2009-06-13 physics.soc-ph
Limitation of multi-resolution methods in community detection
近年来，一种多分辨率社区检测方法被提出，该方法通过调整模块度函数的分辨率参数来调整模块度的分辨率，如Arenas，Fernandez和Gomez以及Reichardt和Bornholdt等提出的方法。在本文中，我们表明，这些方法仍然有内在的限制，大社区可能已经分裂之前，小社区变得可见，因为它是在社区的稳定性，增强模块化分辨率的成本。理论结果表明，该限制取决于小社区的互联程度以及小社区与大社区的规模之差，而与整个网络的规模无关。这些发现已经在几个示例网络中得到证实，其中社区甚至是完全完成的子图。
2011-08-22 cs.SI physics.soc-ph
Estimating the resolution limit of the map equation in community detection
如果可以解析的最小模块的规模取决于所分析的子网络的大小，则社区检测算法被认为具有分辨率限制。已知分辨率限制会阻止一些社区检测算法准确识别网络的模块化结构。事实上，任何一个用来度量两级模块节点分配质量的全局目标函数都必须有某种分辨率限制或外部分辨率参数。然而，目前还不知道分辨率限制如何影响所谓的地图方程，这是已知的社区检测的有效目标函数。我们推导出一个分析估计，并得出结论，映射方程的分辨率限制是由模块之间的链接总数，而不是在整个网络的链接总数的模块性。这种机制使得映射方程的分辨率限制比模块化的限制少得多，并且在实践中数量级更小。此外，我们认为，分辨率限制的效果往往是从硬塞多层次的模块化结构到两个层次的描述。如我们所示，层次映射方程有效地消除了嵌套多级模块结构网络的分辨率限制。
2015-01-14 cs.SI physics.soc-ph
Community detection for correlation matrices
在复杂系统的研究中，一个具有挑战性的问题是在没有先验信息的情况下，解决由单元组决定的涌现的介观组织，这些单元组的动态活动比系统的其他部分更强地内在相关。现有的过滤相关性的技术没有明确地面向识别这样的模块，并且可能遭受不可避免的信息丢失。一个有前途的替代方法是采用网络理论中开发的社区检测技术。不幸的是，这种方法主要集中在用相关矩阵替换网络数据，由于其与现有算法的零假设不一致，这种方法往往存在固有的偏见。在这里，我们介绍，通过一个一致的重新定义的空模型的基础上随机矩阵理论，适当的相关性为基础的最流行的社区检测技术的同行。我们的方法可以过滤掉特定于单元的噪声和系统范围内的依赖关系，并且由此产生的社区是内部相关和相互反相关的。我们还实现了多分辨率和多频率的方法，揭示层次嵌套的子社区与“硬”的核心和“软”的外围。我们将我们的技术应用于几个金融时间序列，并确定中观组的股票是不可约的标准，部门分类，检测“软股票”，社区之间的交替，并讨论投资组合优化和风险管理的影响。
2014-10-24 physics.data-an physics.soc-ph q-fin.PM
Identification of Overlapping Communities by Locally Calculating Community-Changing Resolution Levels
Lancichinetti、Kertesz和Lancichinetti（LFK）去年提出了一种用于检测网络中重叠自然社区的算法。LFK算法通过最大化社区的局部适应度来构建（原则上）图的所有节点的自然社区。产生的模块可能会重叠。对于许多分辨率值，社区的生成可以很容易地重复;从而允许网络上不同分辨率的不同视图。我们以不同的方式实现了LFK算法的主要思想--生成网络中每个节点的自然社区。我们从分辨率参数的值开始，该值足够高，每个节点都是自己的自然社区。一旦分辨率降低，每个节点就会随着其社区成员（即自然社区）的增长而获得其他节点。对于在某个分辨率级别找到的每个社区，我们计算添加节点的下一个较低分辨率。在将节点添加到种子节点的社区后，我们检查它是否也是我们已经分析过的节点的自然社区。在这种情况下，我们可以停止扩展种子节点的社区。我们测试了我们的算法在一个小的基准图和网络上的约500篇论文在信息科学（加权索尔顿指数的书目耦合）。在我们的测试中，这种方法会导致分辨率的特征范围，其中大的分辨率变化不会导致自然群落的增长。这种稳定的模块也是通过应用LFK算法获得的，但由于我们在一次运行中确定了所有分辨率值的社区，因此我们的方法比LFK参考更快。而且我们的算法更容易揭示图的层次结构。
2010-08-05 physics.data-an physics.soc-ph
Asymptotic resolution bounds of generalized modularity and multi-scale community detection
广义模块度的最大化在所有社区的成员在统计上彼此无法区分的网络中表现良好。然而，没有理论界的最大化性能在更现实的网络中，边缘是异质分布在社区内和社区之间。利用随机图的性质，我们建立了广义模块最大化表现良好的分辨率参数的渐近理论界。从随机图模型的这个新视角，我们发现模块度最大化的分辨率极限可以用一种令人惊讶的简单和直接的方式来解释。给定由随机块模型产生的网络，分辨率参数大于其密度的社区可能分布在多个簇中，而分辨率参数小于其背景社区间边缘密度的社区将合并为一个大的组件。因此，当一个子图中的社团内边密度低于另一个子图中的社团间边密度时，不存在合适的分解参数。对于这样的网络，我们提出了一个渐进的凝聚启发式算法来检测实际上在多个尺度上显着的社区。
2020-04-16 cs.SI physics.soc-ph
Local resolution-limit-free Potts model for community detection
我们报告一个非常准确的自旋玻璃型波茨模型的社区检测。通过一个简单的算法，我们发现我们的方法至少与目前最好的算法一样准确，并且对噪声的影响具有鲁棒性。它也具有竞争力的速度和规模的可解系统方面的最佳目前可用的算法。我们发现，计算需求通常表现出超线性尺度L^1.3，其中L是系统中的边数，我们已经将该算法应用于大到40 × 10^6个节点和超过1 × 10^9条边的合成系统。以前流行的社区检测方法遇到的绊脚石是所谓的“分辨率限制”。作为社区结构的“局部”度量，我们的Potts模型不受分辨率限制的影响，并且它仍然是加权和有向图上的局部度量。我们还解决了其他两个流行的波茨模型的分辨率限制的影响的缓解。
2010-04-15 cond-mat.stat-mech physics.soc-ph
Detecting modules in dense weighted networks with the Potts method
我们解决了在密集加权网络中的多分辨率模块检测问题，其中模块结构被编码在权重中而不是拓扑中。我们讨论了一个加权版本的q-状态Potts方法，这是最初介绍的Reichardt和Bornholdt。这种加权方法可以直接应用于稠密网络。我们讨论了依赖于其调整参数和网络属性的方法的分辨率，使用稀疏和密集的加权网络与内置模块作为例子的情况下。最后，我们将该方法应用于股票价格相关性的数据，并表明所得到的模块对应于这种相关性网络的已知结构特性。
2008-11-19 physics.soc-ph
Multi-resolution community detection based on generalized self-loop rescaling strategy
社区发现对于分析复杂网络的结构和功能具有重要意义。现实世界中的许多网络可能在多个尺度上具有社团结构，近年来，提出了各种多分辨率方法来识别不同尺度上的社团结构。本文利用广义自循环重标度策略，提出了一类多分辨方法。自循环重标度策略为多分辨率社区检测方法的设计提供了一个统一的思路。社区检测的许多质量函数可以统一在自循环重新缩放的框架中。由此产生的多分辨率质量函数可以直接使用现有的模块优化算法进行优化。几个派生的多分辨率方法被应用到几个合成和现实世界的网络中的社区结构的分析。结果表明，这些方法可以发现合成网络中预定义的子结构和真实世界网络中观察到的真实分裂。最后，我们讨论了方法本身和它们之间的关系。希望本文的研究能有助于对多分辨率方法的理解，并为设计新的社区发现方法提供有益的启示。
2015-08-31 cs.SI physics.data-an physics.soc-ph
An upper bound on community size in scalable community detection
众所周知，基于模块化优化的社区发现方法往往不能发现小社区。因此，用于社区检测的几个目标函数涉及一个分辨率参数，允许在不同尺度上检测社区。我们提供了一个明确的上限社区规模的社区，从这些功能的优化。我们还显示了一个简单的例子，使用的分辨率参数可能会人为地迫使大型和密集连接的社区完全解体。
2011-03-29 cs.SI physics.soc-ph
Consistency landscape of network communities
社区检测的概念一直被用作处理网络中尺度结构的关键设备。适当地进行社区检测揭示了网络拓扑结构的各种嵌入式信息子结构。然而，对于社区检测的实际应用，它一直是一个棘手的问题，分配一个合理的社区决议感兴趣的网络。由于缺乏一致接受的标准，大多数以前的研究都是使用相当临时的经验来决定社区解决方案。在这项工作中，我们利用网络社区结构的一致性概念来提供网络的整体社区分辨率景观，我们最终将其用于量化给定分辨率参数的检测社区的可靠性。更确切地说，我们利用随机检测算法的结果中的模糊性，并提出了一种方法，表示社区结构的相对有效性方面的稳定性，使用多个检测过程的全球和局部不一致的措施。将我们的框架应用于合成和真实网络，我们证实它有效地显示了社区结构的深刻的基本方面。
2021-05-27 physics.data-an physics.soc-ph
Tolerating the Community Detection Resolution Limit with Edge Weighting
像万维网这样的巨型网络中的顶点社区很可能比网络本身小得多。然而，Mrsanato和Barthélemy已经证明，用于社区检测的模块化最大化算法可能无法解决具有少于$\sqrt{L/2}$边的社区，其中$L$是整个网络中的边的数量。这种分辨率限制导致模块度最大化算法在许多真实网络上的准确性非常差。Rumanato和Barthélemy的论证也可以扩展到带权边的网络，我们推导出这个推论。我们的结论是，加权模块化算法可能无法解决社区小于$\sqrt{W ε/2}$总边的重量，其中$W$是在网络中的总边的重量和$ε$是一个社区间边的最大重量。如果$ε$很小，那么可以解决小社区。给定一个加权或未加权的网络，我们描述了如何获得新的边权重，以实现低$ε$，我们修改了"CNM"社区检测算法，以最大限度地提高加权模块化，并表明，由此产生的算法有很大的提高准确性。在一个新兴的社区标准基准的实验中，我们发现我们简单的CNM变体与最准确的社区检测方法相比具有竞争力。
2009-10-07 physics.data-an physics.soc-ph
Multi-resolution community detection in massive networks
为了提高复杂网络中社区发现的效率和准确性，提出了一种新的社区发现算法，该算法通过比较子网络内部和外部的凝聚度来发现社区。在我们的方法中，相似的节点首先聚集成元社区，然后决定保留或合并，通过多级标签传播过程，直到他们都满足我们的社区标准。我们的算法既不需要社区的先验信息，也不需要优化任何目标函数。在合成网络和真实网络上的实验结果表明，与其他几种流行的算法相比，我们的算法性能相当好，运行速度非常快。通过调整分辨率参数，我们还可以观察不同尺度的社区，因此这可以揭示网络的层次结构。为了进一步探索该方法的有效性，我们将其应用于大肠杆菌转录调控网络，发现所有识别的模块都具有很强的结构和功能一致性。
2016-12-17 cs.SI physics.soc-ph
Link community detection through global optimization and the inverse resolution limit of partition density
我们调查的可能性，全局优化为基础的重叠社区检测，使用链接社区框架。我们首先表明，分区密度，链接社区检测方法中使用的原始质量函数，是不适合作为一个质量函数的全局优化，因为它更喜欢打破社区成三角形，除非在高度有限的条件。我们分析得出这些条件，并确认它与各种合成和现实世界的网络直接优化的计算结果。为了克服这一限制，我们提出了替代方法相结合的加权线图变换和现有的质量功能，基于节点的社区。我们提出了一个新的线图加权方案，归一化Jaccard指数。计算结果表明，使用归一化Jaccard指数生成的加权线图进行社区检测可以更准确地确定社区结构。
2016-01-19 cs.SI physics.comp-ph physics.soc-ph
Super-resolution community detection for layer-aggregated multilayer networks
应用网络科学通常涉及在应用网络分析方法之前对网络数据进行预处理，这些步骤之间通常存在理论上的脱节。例如，在分析之前将时变网络数据聚合到窗口中是常见的，并且这种预处理的权衡还没有得到很好的理解。针对多层网络中小社区的检测问题，我们通过建立随机矩阵理论来研究层聚集的影响，该理论适用于具有$N$节点和$L$层的层聚集网络的模块度矩阵，这些层聚集网络来自Erdens-Rényi网络的集合.我们研究相变，其中特征向量本地化到社区（允许他们的检测），并发生在一个给定的社区提供其大小超过了可检测性限制$K^*$。当通过求和聚合层时，我们获得$K^*\varpropto \mathcal{O}(\sqrt{NL}/T)$，其中$T$是社区持续存在的层数。有趣的是，如果允许$T$随$L$而变化，则基于求和的层聚合增强了小社区发现，即使社区在层的消失部分上持续存在，只要$T/L$比$ \mathcal{O}(L^{-1/2})$衰减得更慢。此外，我们发现，在某些情况下，阈值的总和可以导致$K^*$指数衰减，减少了数量级的现象，我们称之为超分辨率社区发现。也就是说，具有阈值的层聚合是一种非线性数据过滤器，能够检测否则太小而无法检测的社区。重要的是，不同的阈值通常增强具有不同属性的社区的可检测性，这说明如果使用单个阈值分析网络数据，则社区发现可能被模糊。
2017-07-13 cs.SI physics.soc-ph
Resolution limit revisited: community detection using generalized modularity density
近年来，通过在检测算法中考虑模块性度量的变体，已经进行了各种尝试来解决社区检测中的分辨率限制（RL）问题。据称，这些指标在很大程度上缓解了RL问题，并且在许多现实场景中优于模块化。然而，它们通常不适合分析加权网络或检测分层社区结构。然而，分辨率极限问题可能很复杂，特别是不清楚何时应该将其视为问题。在本文中，我们引入了一个度量，我们称之为广义模块密度$Q_g$，消除了RL问题在任何所需的分辨率，很容易扩展到研究加权和分层网络。我们还提出了一个基准测试，以量化的分辨率限制问题，检查各种模块化的指标，以表明新的度量$Q_g$表现最好，并表明$Q_g$可以识别模块化结构，在现实世界和人工网络，否则隐藏。
2020-12-29 cond-mat.stat-mech cs.DM cs.SI
Null-adjusted persistence function for high-resolution community detection
针对复杂网络社区检测中模块度与持久概率的各自缺陷，提出融合二者特性的零模型调整持久度目标函数，用改进Louvain方法最大化该函数，在基准和真实网络中实现了更高分辨率的社区检测效果。
2025-05-19 math.OC physics.soc-ph
Automatic detection of multilevel communities: scalable and resolution-limit-free
社团结构是复杂网络的重要特征之一。基于模块的社区检测方法通常依赖于启发式算法来优化特定的社区质量函数。这种方法受到两个主要缺陷的限制：（1）分辨率限制问题，它禁止同时检测不同大小的社区，以及（2）启发式算法的发散输出，这使得难以区分相关和不相关的结果。本文提出了一种改进的基于可扩展社区适应度函数的社区发现方法。“我们引入了一个新的参数来增强其可扩展性，以及一个严格的策略来过滤输出。由于可扩展性，一方面，我们的方法是免费的分辨率限制的问题，并在大型异构网络上表现出色，而另一方面，它是能够检测更多的社区比以前的方法在深层次的网络。此外，我们的严格策略会自动删除冗余和不相关的结果，而无需任何人工选择。因此，我们的方法只输出稳定和独特的社区，这些社区在很大程度上可以通过关于网络的先验知识来解释，包括合成网络中的植入结构或真实网络的元数据。
2022-09-01 cs.SI physics.soc-ph
Resolution limit in community detection
发现社区结构是阐明复杂网络中结构与功能之间联系的基础，并在许多学科中用于实际应用。一种成功的方法依赖于称为模块性的量的优化[Newman和Girvan，Phys.Rev.E69，026113（2004）]，其是网络划分为社区的质量指标。我们发现，模块化优化可能无法识别模块小于一个规模，这取决于网络的链接的总数L和模块的互连程度，即使在模块的情况下，明确定义。如果模块内部的链接数量为\sqrt{2L}或更少，则模块隐藏定义明确的子结构的概率最高。我们讨论了这一结果的实际后果，通过分析在人工和真实网络中的模块化优化得到的分区。
2006-07-14 cond-mat.dis-nn physics.soc-ph
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的，社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系，因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而，在多层设置的模块化功能取决于层间耦合参数，$ω$，以及如何影响社区检测这个参数还没有很好地理解。在这里，我们公开了$ω$的上限，超过该上限，就无法检测到跨层的社区更改。这个上限具有非平凡的，纯粹的多层效应，并作为检测不断发展的社区的分辨率限制。此外，我们建立了一个明确的和以前未发现的单层分辨率参数，$γ$，和层间耦合参数，$ω,$，提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑，但也有重要的实际意义，选择层间耦合值时，使用多层网络来模拟真实世界的系统，其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an physics.soc-ph
Identifying multi-scale communities in networks by asymptotic surprise
优化社区结构的统计度量是最流行的社区发现策略之一，但其中许多策略缺乏分辨率的灵活性，因此与网络的多尺度社区不兼容。在这里，我们进一步研究了社区检测的统计度量，渐近惊喜，惊喜的渐近近似。从理论上讨论了社团划分的相变中渐近突变的临界行为。然后，根据理论分析，提出了一种基于渐近惊奇的多分辨方法，为研究多尺度网络提供了一种新的途径，并提出了一种改进的Louvain算法，以更有效地优化渐近惊奇。通过在不同网络中的一系列实验测试，进一步验证了渐近惊讶的临界行为和改进的Louvain算法的有效性，显示了其解决第一类分辨率极限的能力和对第二类分辨率极限的更强容忍性，证实了其揭示多尺度网络中多尺度社团结构的有效性。
2018-10-25 physics.data-an physics.soc-ph
Network community detection using modularity density measures
模块性自引入以来，一直是评估复杂网络中社区结构质量的最广泛使用的指标之一。然而，与模块化相关的分辨率限制问题限制了其适用于社区规模小于一定规模的网络。在过去，已经进行了各种尝试来解决这个问题。最近，一个新的度量，模块密度，被引入到网络中的社区结构的质量，以解决一些已知的问题与模块，特别是分辨率限制问题。模块密度解决了一些社区，否则无法使用模块检测。然而，我们发现，它并没有完全解决的分辨率限制问题，通过调查一些情况下，它未能检测到预期的社区结构。为了解决这个问题，我们引入了这个度量的一个变体，并表明它进一步降低了分辨率限制问题，有效地消除了广泛的网络中的问题。
2017-08-22 cond-mat.stat-mech cs.DM cs.SI
Correlation-Based Community Detection
从复杂网络中挖掘社区结构是一个跨领域的重要问题。许多现有的社区发现方法通过优化社区评价函数来检测社区。然而，这些函数中的大多数甚至在随机图上具有很高的值，并且可能无法检测大规模网络中的小社区（所谓的分辨率限制问题）。在本文中，我们引入了两个新的节点为中心的社区评价功能，通过相关性分析与社区发现。我们将进一步表明，相关性分析可以提供一个新的理论框架，它统一了一些现有的评价函数的背景下，基于相关性的优化问题。在此框架下，我们可以通过选择合适的相关函数来缓解分辨率极限问题并消除随机波动的影响。此外，我们将关联规则挖掘中的三个关键属性引入到社区发现中，以帮助我们选择合适的相关函数。基于我们引入的相关函数，我们提出了一个社区发现算法CBCD。我们提出的算法优于现有的国家的最先进的算法在合成基准网络和现实世界的网络。
2019-04-09 cs.SI physics.soc-ph
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地，确定性和无参数的算法，检测模糊和清晰的重叠社区的加权网络，同时揭示其层次结构。该算法通过引入局部适应度函数，不断扩展种子的自然社区，直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确，而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理，该算法给出了更精确的结果，LFR基准与高重叠相比，其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Community detection in networks: Modularity optimization and maximum likelihood are equivalent
我们证明了网络中两种广泛使用的社区发现方法之间的精确等价性，即广义形式的模块化最大化方法，其中包含控制发现的社区大小的分辨率参数，以及应用于称为种植分区模型的随机块模型的特殊情况的最大似然方法，其中假设网络中的所有社区具有统计上相似的属性。除此之外，这种等价性提供了模块度函数的数学原理推导，澄清了其使用的条件和假设，并给出了分辨率参数的最佳值的显式公式。
2016-06-07 cs.SI physics.soc-ph
A New Metric for Quality of Network Community Structure
模块性被广泛用于有效地度量由社区发现算法发现的社区结构的强度。然而，模块化最大化受到两个相反但并存的问题的困扰：在某些情况下，它倾向于支持小社区而不是大社区，而在其他情况下，大社区则倾向于支持小社区。后一种趋势在文献中被称为分辨率极限问题。为了解决这些问题，我们建议修改模块化，从它减去连接不同社区的节点的边缘的分数，并包括社区密度到模块化。我们将修改后的度量称为模块密度，并证明它确实解决了上述两个问题。我们通过直观清晰和简单的例子来描述引入此度量的动机。我们还证明了这个新的度量解决了分辨率限制问题。最后，我们讨论了应用这个度量，模块化，和其他几个流行的社区质量指标的结果，两个真正的动态网络。结果表明，模块化密度是一致的，所有的社区质量的测量，但不是模块化，这表明模块化密度是一个改进的测量相比，模块化的社区质量。
2015-07-15 cs.SI physics.soc-ph
A neurodynamic framework for local community extraction in networks
为了了解大规模社会、生物或技术网络的结构和组织，描述和提取网络的本地社区或模块可能很有帮助。在这篇文章中，我们开发了一个神经动力学的框架来描述本地社区对应的稳态的神经系统建立在网络的基础上。描述神经动力学系统的定量标准可以涵盖大范围的目标函数。这些功能的分辨率限制，使我们能够提出一个通用的标准来探索多分辨率的本地社区。我们解释了这个框架的优点，并通过在一些模型和现实世界的网络上进行测试来说明它们。
2015-11-30 cs.SI physics.soc-ph
Community detection in weighted brain connectivity networks beyond the resolution limit
图论为研究脑功能连接网络及其模块组织提供了一个强有力的框架。然而，大多数基于图的方法都受到基本分辨率限制的影响，这可能会影响以前的研究，并阻止检测小于特定尺度的模块或社区。Surprise是一个基于离散概率理论的无分辨率限制的函数，最近被引入并应用于大脑网络，揭示了功能模块的广泛尺寸分布，与许多以前的报道相反。然而，Surprise的使用仅限于二进制网络，而大脑网络本质上是加权的，反映了不同大脑区域之间连接强度的连续分布。在这里，我们提出了渐近惊喜，惊喜的连续版本，加权大脑连接网络的研究，并验证这种方法在合成网络赋予地面真理模块化结构。我们比较渐近惊喜与领先的社区检测方法目前正在使用，并显示其优越的灵敏度，即使在存在噪声和受试者间的变异性，如在功能磁共振成像数据中观察到的小模块的检测。最后，我们将我们的新方法应用于静息态fMRI实验中的功能连接网络，并展示了一个异构的模块化组织，具有跨越多个尺度的广泛分布的集群。
2016-09-14 physics.soc-ph q-bio.NC q-bio.QM
Link Fraction Mixed Membership Reveals Community Diversity in Aggregated Social Networks
Leiden University（莱顿大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出Link Fraction Mixed Membership方法，用于分析聚合社会网络中的社区多样性，通过保留不同尺度下的社区成员身份总和，揭示地理区域社区结构的变化及城市枢纽的融合作用。
2026-10-09 cs.SI physics.soc-ph
A shadowing problem in the detection of overlapping communities: lifting the resolution limit through a cascading procedure
社区检测是指在重要社区（例如集群，功能模块）中分配节点和链接的过程，它的发展导致了对复杂网络的更好理解。当应用于相当大的网络，我们认为，大多数检测算法正确地识别突出的社区，但未能做到跨多个尺度。因此，网络的很大一部分是未知的。我们发现，这个问题源于更大或更密集的社区掩盖了更小或更稀疏的，这种影响占大多数未检测到的社区和未分配的链接。我们提出了一个通用的级联方法来社区检测，规避了这个问题。使用真实的和人工的网络数据集与三个广泛使用的社区检测算法，我们展示了如何一个简单的级联过程允许检测的缺失社区。这项工作突出了一个新的社区结构的检测极限，我们希望我们的方法可以启发更好的社区检测算法。
2015-09-30 cond-mat.stat-mech cs.SI physics.soc-ph
Significant Scales in Community Structure
许多复杂的网络显示出模块化结构的迹象，通过社区检测发现。虽然许多方法成功地揭示了各种分区，但仍然难以检测某个分区在什么尺度上是重要的。这个问题在多分辨率方法中表现得最为突出。我们在这里介绍一种有效的方法，用于扫描分辨率在这样的方法之一。此外，我们引入了分区的“重要性”的概念，基于子图概率。重要性与所使用的确切方法无关，因此也可以应用于其他方法，并且可以解释为通过使用分区对图进行编码的增益。使用显著性，我们可以确定“好”的分辨率参数，我们在基准网络上演示了这一点。此外，优化显著性本身也表现出优异的性能。我们展示了我们的方法从欧洲议会的投票数据。我们的分析表明，欧洲议会在意识形态上越来越分裂，国籍不起作用。
2013-10-11 cs.DM cs.SI physics.soc-ph
Multilayer Modularity Belief Propagation To Assess Detectability Of Community Structure
基于模块化的社区发现包括许多广泛使用的、有效的网络结构识别算法。最近，一种用于模块化优化的置信传播方法为识别单层网络中的非平凡结构提供了有用的指导，这是其他优化算法所没有的。在本文中，我们扩展模块化的信念传播多层网络。作为该开发的一部分，我们还直接引入了分辨率参数。我们表明，调整分辨率参数影响算法的收敛性能，并产生不同的社区结构比基线。我们比较我们的方法与广泛使用的社区发现工具，GenLouvain，在一系列的合成，多层基准网络，证明我们的方法执行的最先进的状态。最后，我们证明了我们的工具提供的额外信息的实际优势，通过两个现实世界的网络例子。我们展示了该算法的收敛特性如何可以用于选择适当的分辨率和耦合参数，以及节点级边缘如何为所确定的社区的附着强度提供解释。为了方便使用，我们将我们的工具作为Python包发布。
2020-07-03 cs.SI physics.data-an physics.soc-ph
Community Structure in the United Nations General Assembly
我们研究了代表联合国大会决议投票的网络的社区结构。我们以三种不同的方式从1946年至2008年的单独年度会议的投票记录中构建网络：（1）将投票相似性视为加权单部网络;（2）将投票相似性视为加权签名单部网络;（3）通过检查签名双部网络，其中国家与决议有关。对于每一个配方，我们通过使用适当的空模型优化网络模块化来检测社区。我们比较和对比的结果，我们得到这三种不同的网络表示。在这样做的时候，我们说明了需要考虑多个分辨率参数，并探讨每个网络表示的有效性，以确定投票组中的大量协议中典型的大会投票。
2010-10-18 cs.SI physics.data-an physics.soc-ph
Community Detection in Bipartite Networks with Stochastic Blockmodels
University of Colorado（科罗拉多大学）；BioFrontiers Institute（生物前沿研究所）
在二分网络中，社区结构被限制为区分性的，因为一种类型的节点根据与另一种类型的节点的共同连接模式进行分组。这使得随机块模型（SBM），一个高度灵活的生成模型的网络块结构，一个直观的选择二分社区检测。然而，SBM的典型公式不使用二分网络的特殊结构。在这里，我们介绍了贝叶斯非参数制定的SBM和相应的算法，以有效地找到社区的二分网络吝啬地选择社区的数量。当数据有噪声时，biSBM改进了一般SBM的社区检测结果，将模型分辨率限制提高了$\sqrt{2}$倍，并扩展了我们对与社区检测任务相关的复杂优化环境的理解。在biSBM和相关的高分辨率分层SBM的先验分布的某些条款的直接比较也揭示了一个违反直觉的制度的社区检测问题，由更小和更稀疏的网络，其中非分层模型优于其更灵活的对应。
2020-09-29 cs.LG cs.SI physics.soc-ph
