Finding network communities using modularity density
许多现实世界的复杂网络都呈现出一种社区结构,其中的模块对应于实际的功能单元。识别这些群落是科学家面临的一个关键挑战。一种常见的方法是搜索使质量函数最大化的网络划分。在这里,我们提出了一个最近提出的功能,即模块密度的详细分析。我们表明,它不会招致传统的模块化所遭受的缺点,它可以识别网络没有地面实况社区结构,推导出其分析依赖于一般随机图中的链接密度。此外,我们表明,模块密度允许不同大小的网络之间的比较容易,我们还提出了一些限制,基于模块密度的方法可能会受到影响。最后,我们介绍了一个有效的,二次社区检测算法的基础上模块密度最大化,验证其准确性对理论预测和一组基准网络。
2016-12-20 cond-mat.stat-mech cs.SI physics.soc-ph
Detectability of communities in heterogeneous networks
社区是刻画真实网络结构的基本实体。识别网络中社区的标准方法是基于被称为“模块性”的质量函数的优化。虽然模块化一直是一个激烈的研究活动的中心,并提出了许多方法,其最大化,它还没有太多的必要条件,社区需要满足,以检测与模块化最大化的方法。在这里,我们开发了一个简单的理论来建立这些条件,并成功地将其应用于各种网络模型。我们的主要结果是,在度分布的异质性有助于模块正确地恢复网络的社区结构,在现实的情况下,度指数$γ< 2.5$的无标度网络,模块总是能够检测社区的存在。
2013-07-04 cond-mat.stat-mech cs.SI physics.soc-ph
Communities unfolding in multislice networks
发现复杂网络中的社区有助于理解网络的行为。在这个有前途的研究领域存在一些工作,但社区发现的时间依赖和/或多路复用网络尚未深入研究。本文提出了一种基于模块度优化的多层网络社区发现方法。我们首先提出了一种方法来减少网络的大小,仍然保留模块化。然后,我们介绍了一种算法,近似模块化优化(通常采用)的多层网络,从而找到社区。网络大小的减少使我们能够保持可接受的性能,而不影响所提出的方法的有效性。
2016-04-02 cs.SI 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
Multislice Modularity Optimization in Community Detection and Image Segmentation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Oxford(牛津大学)
由于网络可以用来表示许多复杂的系统,因此在物理学、计算机科学、社会学和许多其他学科中引起了相当大的关注。网络科学最重要的领域之一是内聚群的算法检测(即,“社区”)的节点。在本文中,我们算法检测社区在社交网络和图像数据,通过优化多层模块化。模块化优化的一个主要优点是它不需要社区数量或大小的先验知识,并且能够找到由不同大小的社区组成的网络分区。通过优化多切片模块化并随后计算对所得到的网络分区的诊断,从而可以获得关于跨多个系统尺度的网络结构的信息。我们说明了这种方法的数据从社交网络和图像,我们发现,优化的多层模块化在这两个任务上表现良好,而不需要广泛的问题特定的适应。然而,提高这种方法的计算速度仍然是一个具有挑战性的开放问题。
2012-11-30 cs.CV cs.SI physics.data-an
Detecting communities using asymptotical Surprise
现实世界网络中的节点被反复观察到形成密集的集群,通常被称为社区。检测这些节点组的方法通常最大化目标函数,该目标函数隐含地包含社区的定义。我们在这里分析了最近提出的一种称为惊喜的措施,它评估了网络划分为社区的质量。以其目前的形式,出其不意的提法相当难以分析。因此,我们在这里开发一个精确的渐近近似。这使得开发一种有效的算法来优化惊喜。顺便说一句,这导致了对加权图的惊讶的直接扩展。此外,这种近似可以更密切地分析突袭,并将其与其他方法进行比较,特别是模块化。我们发现,惊喜是(几乎)不受众所周知的分辨率限制,模块化的一个特殊问题。然而,惊喜可能会高估社区的数量,而他们可能被低估的模块化。简而言之,惊喜在许多小社区的限制下运作良好,而模块化在少数大社区的限制下运作得更好。从这个意义上说,惊奇比模块化更具区分性,并且可能发现模块化无法识别任何结构的社区。
2015-09-09 cs.DM cs.SI physics.soc-ph
A modularity based spectral method for simultaneous community and anti-community detection
University of Udine(乌迪内大学);University of Padua(帕多瓦大学)
本文提出一种基于谱方法的模ularity检测方法,用于同时识别社区和反社区结构,通过分析矩阵定义的模ularity的极值特征值子空间来确定网络中的模块化结构。
2017-09-20 cs.NA cs.SI math.NA
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
Discovering Communities in Continuous-Time Temporal Networks by Optimizing L-Modularity
UCBL, CNRS, INSA Lyon, LIRIS, UMR5205, F-69622 Villeurbanne, France;UCBL \& IUF, CNRS, LIRIS UMR5205, F-69622 Villeurbanne, France
针对连续时间时序网络的社区检测需求,该研究提出通过贪心优化纵向模块度的LAGO方法,可精准捕捉节点社区进出时刻,在合成与真实数据集上验证了其高效挖掘时序拓扑一致社区的能力。
2025-10-01 cs.LG cs.SI
Optimizing Edge Sets in Networks to Produce Ground Truth Communities Based on Modularity
我们考虑两个新的问题,边添加或删除的模块化的分区(或社区结构)在网络中的影响。第一个问题寻求添加边以强制所需的分区是最大化模块性的分区。第二个问题寻求找到一个网络的稀疏表示,该网络具有与原始网络相同的具有最大模块度的划分。我们提出了整数规划公式、行生成算法和启发式算法来解决这些问题。此外,我们还展示了模块化的反直觉行为,这使得一般网络的开发变得困难。然后,我们提出了从文献中选择的社会和非法网络的结果。
2022-03-03 cs.SI math.OC
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
A novel metric for community detection
针对传统Modularity在社区检测中的局限,提出基于链路预测可预测性的新度量,比传统方法更具鲁棒性,能评估算法稳定性并揭露错误检测。
2019-09-27 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
Density-based Community Detection/Optimization
近年来,基于模块的社区发现算法越来越多。模块化及其应用一直在产生争议,因为一些作者认为它不是一个没有缺点的度量。已经表明,使用模块化来检测社区的算法受到分辨率限制,因此,在某些情况下无法识别小社区。在这项工作中,我们试图应用标签传播算法发现的社区密度优化,并研究优化结果的模块化方面发生了什么。我们引入了一个度量,我们称之为ADC(平均密度每个社区),我们使用这个度量来证明我们的优化提供了改进的社区密度与基准算法。此外,我们提供的证据表明,这种优化可能不会显着改变所产生的社区的模块化。此外,还通过使用SSC(强连接组件)的概念,我们开发了一个社区发现算法,我们也比较了标签传播算法。这些比较是用几个测试网络和不同的网络规模进行的。优化算法的结果被证明是有趣的。此外,社区发现算法的结果与我们使用的基准算法相似。
2019-04-07 cs.IR cs.SI physics.soc-ph
Overlapping modularity at the critical point of k-clique percolation
最显著的社会现象之一是在社交网络中形成社区,这些社区与家庭、朋友圈、工作团队等相对应。由于人们通常同时属于几个不同的社区,由此产生的重叠导致了社区本身的极其复杂的网络。因此,揭示社交网络的复杂社区结构是一个具有巨大实际应用潜力的重要任务,近年来引起了人们的极大兴趣。团渗流方法(CPM)是最早的重叠社区发现方法之一,它已经被用于分析几个不同的社交网络。在这种方法中,社区对应于k-团渗流集群,并且用于设置该方法的参数的一般启发式是将系统调整到刚好低于k-团渗流的临界点。然而,这一规则是基于简单的物理原理,其有效性从来没有受到定量分析。在这里,我们研究的质量分区的临界点附近使用最近推出的重叠模块化措施。根据我们对真实社会网络和其他网络的研究结果,重叠模块在接近临界点时显示出最大值,证明了最佳参数设置的原始标准。
2013-08-15 cs.SI physics.soc-ph
Preferential attachment hypergraph with high modularity
已经提出了许多工作,以产生随机图保持相同的属性,作为现实生活中的大规模网络。然而,许多真实的网络可以用超图更好地表示。很少有模型生成随机超图存在,没有一般的模型允许既保持幂律度分布和高模块化,表明社区的存在。提出了一个动态偏好连接超图模型,该模型具有划分社区的特点。我们证明了它的度分布遵循幂律,并给出了它的模块性的理论下界。我们将其特性与现实生活中的合著网络进行了比较,结果表明我们的模型具有良好的性能。我们相信,我们的超图模型将是一个有趣的工具,可用于许多研究领域,以更好地反映现实生活中的现象。
2021-03-01 cs.SI math.CO physics.soc-ph
Modularity-based approach for tracking communities in dynamic social networks
Institute of Informatics and Telematics, National Research Council(国家研究委员会信息学与电信研究所)
提出一种无需预定义阈值的基于模块度的动态社区追踪框架,通过识别重要事件在合成网络和大型Twitter数据上超越现有方法,实现准确稳健的社区演化分析。
2023-10-13 cs.AI cs.CY cs.SI
A Method Based on Total Variation for Network Modularity Optimization using the MBO Scheme
网络结构的研究在社会学、生物学、计算机科学和许多其他学科中很普遍。网络科学最重要的领域之一是算法检测称为“社区”的节点的内聚组。一个流行的方法来寻找社区是最大化称为{ \em模块化}的质量函数,以实现某种最佳的节点集群。在本文中,我们从一个新的角度来解释模块化函数:我们重新制定模块化优化作为一个能量泛函,其中包括一个总的变化项和$\ell_2$平衡项的最小化问题。通过采用图像处理和$\ell_1$压缩感知的数值技术-如凸分裂和Merriman-Bence-Osher(MBO)计划-我们开发了一个变分算法的最小化问题。我们提出了我们的计算结果使用合成基准网络和真实数据。
2013-04-17 cs.SI math.OC physics.soc-ph
A new measure of modularity density for community detection
使用一个直观的概念是什么构成一个有意义的社区,一个新的度量制定检测无向,加权异构网络中的非重叠社区。这种度量,模块化密度,被证明是优于目前文献中的模块化密度的版本。与以前版本的模块密度相比,我们的度量的最大化被证明是没有偏见的,更好地检测弱分离社区,特别是在异构网络中。除了这些特征之外,我们的模块化密度的计算运行时间被发现与以前的变体相当或更快。我们的研究结果进一步表明,社区发现通过最大化我们的度量是数学相关的分区网络的归一化切割标准的最小化。
2019-08-22 cs.SI stat.ML
Detecting network communities beyond assortativity-related attributes
在网络科学中,链接性是指具有相似属性的节点之间存在链接的趋势。例如,在社交网络中,链接往往存在于年龄、国籍、地点、种族、收入、教育水平、宗教信仰和语言相似的个体之间。因此,各种属性共同影响网络拓扑。一个有趣的问题是检测超出某些特定的可扩展性相关属性$ρ$的社区结构,即,提取$ρ$对网络拓扑的影响,揭示由于其他属性而隐藏的社团结构。解决这一问题的一种方法是重新定义模块性测度的零模型,从而模拟$ρ$对网络拓扑结构的影响。然而,一个挑战是我们不知道网络拓扑在多大程度上受$ρ$和其他属性的影响。在本文中,我们提出Dist-Modularity,它允许我们自由地选择任何合适的函数来模拟$ρ$的效果。这样的自由度可以帮助我们探测$ρ$的效果,并发现由于其他属性而隐藏的社区。我们测试了Dist-Modularity在合成基准测试和两个真实网络上的有效性。
2014-07-15 cs.SI physics.soc-ph
Evolutionary method for finding communities in bipartite networks
揭示网络结构和网络上定义的动态之间的关系的一个重要步骤是检测社区,并且已经分别开发了许多方法来识别不同类别的网络中的社区结构,例如单部网络,二部网络和有向网络。我们证明了单部网络和有向网络都可以表示为二部网络,并且它们的模块性与二部网络的模块性完全一致,其上的模块结构的检测可以重新表述为模块性最大化。为了优化二分模块,我们开发了一种改进的自适应遗传算法(MAGA),这是特别有效的社区结构检测。MAGA的高效率是基于我们所做的以下三个改进。首先,我们引入了一个不同的测量基因座的信息量,而不是标准差,它可以准确地确定哪些基因座突变。该度量是基因座在当前群体上的分布与基因座的均匀分布之间的偏差,即,Kullback-Leibler分歧其次,我们开发了一种重新分配技术,用于区分一个位点在初始阶段从随机状态中获得的信息状态。第三,我们提出了一种改进的变异规则,通过加入相关操作,可以保证MAGA收敛到全局最优,并可以加快收敛过程。实验结果表明,MAGA优于现有的方法在模块性方面的二部和单部网络。
2011-06-04 cond-mat.stat-mech cs.NE cs.SI
Constrained Community Detection in Social Networks
网络中的社区检测是识别异常良好连接的子网络的过程,是许多应用网络分析的核心组成部分。模块化优化的范例规定了网络顶点的分区,该分区最大化组(社区)内的边缘分数与边缘随机分布时的预期分数之间的差异。模块化的目标函数采用了网络的拓扑结构专门和已被广泛研究,而社区组成的约束条件或外部信息的整合在很大程度上仍然是未开发的。我们对模块化目标函数施加惩罚函数,以规范社区的构成,并应用我们的方法在医院网络内识别医疗保健社区(HCC),使每个HCC内进行的心脏除颤器手术的数量超过最低阈值。这一限制允许通过标准化整个医院网络的心脏护理分布,在由此产生的医疗保健社区之间进行有意义的心脏护理比较。
2017-08-14 cs.SI physics.soc-ph stat.AP
A framework for community detection in heterogeneous multi-relational networks
在只包含一种类型的节点和边的同构单关系网络中,社区发现引起了人们极大的兴趣。然而,许多现实世界的系统自然被描述为异构的多关系网络,其中包含多种类型的节点和边缘。在本文中,我们提出了一种新的方法来检测社区在这样的网络。我们的方法是基于优化的复合模块,这是一个新的模块化提出的评估分区的异构多关系网络社区。我们的方法是无参数的,可扩展的,并适用于各种网络的一般结构。我们证明了它在检测合成网络中的预种植社区方面优于最先进的技术。应用于现实世界的Digg网络,它成功地检测到有意义的社区。
2014-07-15 cs.SI physics.soc-ph
Multiple phases in modularity-based community detection
仅基于邻接矩阵来检测网络中的社区是几个科学学科感兴趣的问题。最近,Zhang和Moore在[P. Zhang和C. Moore,Proceedings of the National Academy of Sciences 111,18144(2014)],称为mod-bp,其通过优化模块度(社区检测中流行的拟合优度度量)和熵(即具有给定模块度的配置的数量)的加权平均来避免过拟合数据。相对权重的调整,即模型的“温度”,对于从mod-bp得到正确的结果至关重要。在这项工作中,我们研究了许多相变,mod-bp可能会通过改变两个参数的算法:温度$T$和最大数量的组$q$。我们引入了一组新的序参量,允许确定实际数量的组$\hat{q}$,我们观察合成和真实的网络上存在的相位与任何$\hat{q} \in \{1,q\}$,这是未知的。我们讨论了如何解释mod-bp的结果,以及如何在发现重要社区的问题上做出最优选择。
2015-06-15 cs.SI physics.soc-ph
Adaptive Modularity Maximization via Edge Weighting Scheme
模块化最大化是社区发现的最先进的方法之一,在过去的十年中得到了普及。然而,在某些条件下,它更倾向于大社区而不是小社区,从而受到分辨率限制问题的困扰。为了解决这个问题,我们建议扩大目前用于表示共享同一社区的节点的倾向的边缘的含义。在我们的方法中,这是具有正权重的边的作用,而具有负权重的边表示厌恶将其端节点放入一个社区。我们还提出了一种新的回归模型,该模型根据图的局部拓扑特征为图的边分配权重,以提高模块度最大化算法的准确性。我们构造人工图的基础上采样的参数从一个给定的未加权网络和训练回归模型的地面真实社区,这些人工图在监督的方式。局部拓扑边缘特征的提取可以在线性时间内完成,使得该过程高效。在真实网络和合成网络上的实验结果表明,最先进的社区发现算法通过在我们的模型产生的加权图中发现社区来显着提高其性能。
2017-10-08 cs.SI
Modularity maximisation for graphons
Imperial College London(帝国理工学院);University of Cambridge(剑桥大学);RWTH Aachen University(亚琛工业大学)
网络是研究复杂系统中大规模连通性结构的一种广泛使用的工具,图子被认为是稠密网络的无限大极限。社区或其他中尺度结构的检测是网络科学中的一个突出主题,因为它允许识别复杂系统中的功能构建块。这种构建块何时可能存在于石墨子中是一个悬而未决的问题。在本文中,我们定义了一个graphon模块,并证明它可以最大化,以检测社区的graphons。然后,我们研究了特定的合成石墨子,并表明它们可能显示出广泛的不同的社区结构。我们还将图子模块化最大化重新表述为一个连续优化问题,从而证明了某些图子的最佳社区结构或缺乏最佳社区结构,这对于网络来说通常是不可能的。此外,我们证明,估计一个graphon从网络数据作为一个中间步骤,可以提高社区的检测相比,完全最大化的网络的模块化。虽然图子估计的选择可能会强烈影响网络的社区结构和它的估计图子之间的一致性,我们发现,如果使用适当的估计有很大的重叠。我们的研究表明,对graphons的社区检测是可能的,并且可以作为一种隐私保护的方式来聚类网络数据。
2021-01-02 cs.LG cs.SI nlin.AO
Bayan Algorithm: Detecting Communities in Networks Through Exact and Approximate Optimization of Modularity
University of Toronto(多伦多大学);Polytechnique Montréal(蒙特利尔理工学院)
本文提出Bayan算法,通过带最优性与近似保证的模块度全局优化检测社区,并在30种方法对比中证明其在小型网络上更准确、稳定且可靠。
2024-10-24 cond-mat.stat-mech cs.DS cs.LG
Community detection in directed acyclic graphs
一些时间网络,最著名的是引用网络,自然地表示为有向无环图(DAG)。为了检测DAG中的社区,我们通过定义适当的空模型(即,随机化网络)尊重节点的顺序。我们实现了一种谱方法,以近似最大化所提出的模块性度量,并在引用网络和其他DAG上测试该方法。我们发现,达到的值的模块化的DAG是相似的分区,我们通过最大化建议的模块化(设计的DAG),模块化的无向网络和一般有向网络。换句话说,如果我们忽略给定的DAG中节点的顺序(以及链接的方向)并最大化传统的模块性度量,则获得的分区接近于DAG模块性意义上的最佳分区。
2015-08-12 cs.SI physics.soc-ph
Faster unfolding of communities: speeding up the Louvain algorithm
许多复杂网络都呈现出密集连接的节点组的模块化结构。通常,这样的模块化结构是通过优化某些质量函数来揭示的。尽管存在缺陷,但模块化仍然是最受欢迎的质量功能之一。Louvain算法最初是为了优化模块化而开发的,但已应用于各种方法。因此,加速Louvain算法,使更大的图在更短的时间内分析各种方法。我们建议考虑将节点移动到随机邻居社区,而不是最佳邻居社区。虽然非常简单,但它在具有清晰社区结构的网络中将理论上的运行时复杂度从$\mathcal{O}(m)$降低到了$\mathcal{O}(n \log \langle k \rangle)$。在基准网络中,它将算法加速了大约2-3倍,而在一些真实网络中,它甚至达到了10倍的运行速度。这种改进是由于两个因素:(1)随机邻居可能处于“好”社区;(2)随机邻居可能是枢纽,有助于收敛。最后,性能增益仅略微降低质量,特别是对于模块化,从而提供良好的质量性能比。然而,对于其他一些指标,如显著性或意外性,这些收益不太明显,甚至消失。
2015-09-09 cs.DS cs.SI physics.soc-ph
Modularity bounds for clusters located by leading eigenvectors of the normalized modularity matrix
University of Udine(乌迪内大学);Saarland University(萨尔兰大学)
本文基于归一化模ularity矩阵的leading eigenvector正项,研究其诱导子图的连通性,并推导出模ularity下界,证明高正特征值对应的nodal domains具有正模ularity,支持社区划分的理论基础。
2016-02-17 cs.NA cs.SI math.NA
Generalized L-Modularity for Community Detection Beyond Simple Temporal Networks
Université Claude Bernard Lyon 1, CNRS, INSA Lyon, LIRIS, UMR5205(里昂第一大学、法国国家科学研究中心、里昂国立应用科学学院、LIRIS实验室)
提出广义L-模块度和LAGO算法框架,用于检测包含瞬时事件、持续接触、延迟交互等多种交互类型的复杂时序网络中的社区结构。
2026-05-23 cs.SI
Scaled Null-Adjusted Persistence: A Multiscale Bridge between Modularity and Persistence
University of Milano - Bicocca(米兰比可卡大学);University of Milano(米兰大学);University of Trento(特伦托大学)
该研究提出融合模块化与持久性准则的Scaled-NAP质量函数族,开发Milano算法优化它,在基准与真实网络上验证其检测细粒度社区的有效性及高效性。
2026-09-01 cs.SI math.OC
Modularity aided consistent attributed graph clustering via coarsening
Indian Institute of Technology, Delhi(印度理工学院德里分校)
针对图聚类难以准确捕捉社区结构、计算低效及难识别小社区的问题,提出整合粗化与模块度最大化方法,设计含对数行列式等分量的损失函数,理论与实验均证明其性能优于现有方法。
2024-11-17 cs.LG cs.SI stat.ML
Analyzing Modularity Maximization in Approximation, Heuristic, and Graph Neural Network Algorithms for Community Detection
University of Toronto(多伦多大学);Polytechnique Montreal(蒙特利尔综合理工学院)
本文在104个网络上比较了启发式、图神经网络和Bayan近似算法与精确整数规划在模块度最大化社区发现中的表现,发现常用方法很少得到最优划分,建议采用近似优化算法以更合理地使用模块度。
2024-01-10 cond-mat.stat-mech cs.LG cs.SI
Obtaining Communities with a Fitness Growth Process
群落结构的研究是近年来研究的热点。但是,尽管这一概念在若干领域得到了成功应用,但它缺乏一个普遍和准确的概念。复杂网络的层次结构和异质性使得社区的概念及其评价难以统一。被称为模块化的全局函数可能是这个领域中最常用的技术。然而,它的局限性已被深入研究。Lancichinetti等人和Palla等人提出的局部技术是对模块化所具有的分辨率极限和简并性的回答。在这里,我们从Lancichinetti等人的算法开始,并为适应度函数提出了一个独特的增长过程,虽然是局部的,但找到了覆盖整个网络的社区分区,动态更新尺度参数。我们测试我们的结果的质量,通过使用一组基准的异构图。我们讨论了替代措施,以评估社区结构,并在他们的光,推断可能的解释,在这些情况下,更好的性能相比,全球的本地方法。
2012-06-06 cond-mat.stat-mech cs.SI physics.soc-ph
Convexified Modularity Maximization for Degree-corrected Stochastic Block Models
Cornell University(康奈尔大学);University of California, Davis(加州大学戴维斯分校);University of Pennsylvania(宾夕法尼亚大学)
随机块模型(SBM)是研究网络社区发现的一个流行框架。该模型的限制是假设同一社区中的所有节点在统计上是等价的,并且具有相同的期望度。度修正随机块模型(DCSBM)是SBM的自然扩张,它考虑了群落内的度异质性。本文提出了一种凸化的模块最大化方法来估计DCSBM下的隐藏社区。我们的方法是基于经典的(广义)模块化最大化制定的凸规划松弛,其次是一个新的双加权$ \ell_1 $ -规范$ k $ -中位数程序。我们建立了非渐近的理论保证近似聚类和完美的聚类。我们的近似聚类结果是不敏感的最低程度,甚至在稀疏制度与有界的平均度。在SBM的特殊情况下,这些理论结果与计算上可行的算法的最佳性能保证相匹配。数值上,我们提供了一个有效的实现我们的算法,这是适用于合成和现实世界的网络。实验结果表明,我们的方法具有竞争力的性能相比,在文献中的最先进的。
2016-01-19 cs.LG cs.SI math.ST
Generic criticality of community structure in random graphs
我们研究的社区结构的大小$n$和链接概率$p/n$确定与纽曼贪婪优化的模块化随机图。计算表明,对于$p<1$,群落几乎与集群相同。对于$p=1$,社区$s_{av}$和巨型社区$s_g$的平均大小显示出幂律增长$s_{av}\sim n^{α'}$和$s_g\sim n^α$。从数值结果,我们估计$α'\approx 0.26(1)$,$α\approx 0.50(1)$,并使用社区大小的概率分布,我们建议$α'=α/2$应该持有。对于$p>1$,社区结构仍然至关重要:(i)$s_{av}$和$s_g$随$α'\approxα<1$呈幂律增长;(ii)社区大小的概率分布非常广泛,对于$s_g$以下的所有大小几乎是平坦的。对于大的$p$,模块度$Q$衰减为$Q\sim p^{-0.55}$,其在一些先前估计之间。为了检验结果的有效性,我们还使用另一种方法确定了社区结构,即模块化的非贪婪优化。对一些基准网络的测试表明,该方法优于贪婪版本。然而,对于随机图,使用贪婪和非贪婪优化确定的社区结构的特征在小的统计波动内是相同的。
2014-09-15 cond-mat.stat-mech cs.SI physics.soc-ph
Geosocial Graph-Based Community Detection
我们应用谱聚类和多层模块化优化洛杉矶警察局实地采访卡数据集。为了检测社区(即,内聚的顶点组),我们使用的地理和社会信息停止涉及街头帮派成员在洛杉矶警察局霍伦贝克区。然后,我们将算法检测到的社区与已知的帮派识别进行比较,并认为差异是由于数据中社会联系的稀疏性以及模糊社区之间区别的复杂潜在社会学因素。
2012-11-26 cs.SI physics.soc-ph
Heuristic Modularity Maximization Algorithms for Community Detection Rarely Return an Optimal Partition or Anything Similar
University of Toronto(多伦多大学);Huawei Technologies Canada(华为加拿大技术有限公司)
研究评估了80个网络上8种启发式模块度最大化算法,发现其极少返回最优或相似划分,建议使用精确或近似优化算法以更合理地应用模块度。
2023-06-25 cond-mat.stat-mech cs.DS cs.LG
Evidential Communities for Complex Networks
社区发现对于理解社交网络中的图结构具有重要意义。现实网络中的社区往往是重叠的,即一些节点可能是多个集群的成员。在网络数据集的数据采掘中,如何发现复杂网络中的重叠社区/簇是一个普遍的问题。提出了一种基于证据模块度函数、谱映射方法和证据c均值聚类的复杂网络重叠社区识别算法。实验结果表明,该方法充分利用了信任函数理论,在检测社区结构和确定合适的簇数方面都有较好的效果。此外,所提出的方法得到的置信划分可以给我们一个更深入的了解图的结构。
2015-01-08 cs.SI physics.soc-ph
On weakly optimal partitions in modular networks
引入模块度作为对图中顶点集划分所导致的社区结构的一种度量。然后,它也成为一个目标函数,用于找到好的分区,具有很高的成功率。然而,一些工作已经显示出一个缩放限制和某些不稳定性时,发现社区与此标准。模块性已经被研究,提出了几种形式主义,如Potts模型中的Hamilton或谱划分中的Laplacian。在本文中,我们提出了一个新的概率形式主义来分析模块性,并从它推导出一个算法的基础上弱最优划分。该算法获得了高质量的分区,并可扩展到大型图。
2010-08-20 cond-mat.stat-mech cs.SI physics.soc-ph
Improving the performance of algorithms to find communities in networks
许多算法来检测网络中的社区通常工作没有任何信息的集群结构被发现,因为一个没有先验知识,一般。毫不奇怪,知道未知分区的一些特征可以帮助识别它,从而提高该方法的性能。在这里,我们表明,如果集群的数量是已知的,标准的方法,如模块化优化,将大大提高准确性,减轻严重的分辨率偏差,破坏了原来的无约束版本的结果的可靠性。集群的数量可以推断最近推出的非回溯和流矩阵的频谱,即使在基准图与现实的社区结构。这种两步过程的限制是计算光谱的开销。
2014-12-01 cs.SI physics.soc-ph
An Ant-Based Algorithm with Local Optimization for Community Detection in Large-Scale Networks
在本文中,我们提出了一个多层蚂蚁算法MABA,它发现社区的网络通过局部优化模块化使用个体蚂蚁。MABA的基本版本,即SABA,结合了自避免标签传播技术和模拟退火策略,用于网络中的蚂蚁扩散。一旦社区被SABA发现,这种方法可以重新应用到更高级别的网络,其中每个获得的社区被视为一个新的顶点。迭代地重复上述过程,并且这对应于MABA。由于我们的算法固有的多层次的性质,它具有潜在的能力,展开多尺度层次结构。此外,MABA具有减轻模块化的分辨率限制的能力。建议的MABA已被评估的计算机生成的基准和广泛使用的现实世界的网络,并已与一组有竞争力的算法进行了比较。实验结果表明,MABA是有效的和高效的(在近线性时间相对于网络的大小)发现社区。
2013-03-19 cs.SI physics.soc-ph
Note on edge expansion and modularity in preferential attachment graphs
University of Oxford(牛津大学);Adam Mickiewicz University(亚当·密茨凯维奇大学);Uppsala University(乌普萨拉大学);Wrocław University of Science and Technology(弗罗茨瓦夫科技大学)
本文研究了偏好附加图中边扩展和模块度的性质,建立了两种随机模型下的新界限,并推导了模块度值的上界。
2026-01-09 cs.SI math.CO math.PR
A Generalized and Adaptive Method for Community Detection
复杂网络表示实体之间的交互。它们出现在社会学、生物学等各种背景下,它们通常包含高度连接的子群,称为社区。社区发现是一个研究得很好的问题,大多数算法的目标是最大化纽曼-格文模块化函数,最流行的是鲁汶方法(它非常适合非常大的图)。然而,经典的模块性有很多缺点:我们可以在没有社区结构的图中找到高质量的划分,例如,在随机图上;它促进了大型社区。然后,我们已经适应了鲁汶方法的其他质量函数。在本文中,我们描述了一个通用版本的鲁汶方法。特别地,我们给出了一个插入质量函数的充分条件,并证明了新算法的全局性能与经典的Louvain算法相当,使其成为社区发现算法中的最佳算法。
2014-06-10 cs.SI physics.soc-ph stat.AP
Modularity Based Community Detection in Hypergraphs
SGH Warsaw School of Economics(华沙经济学院);Poznan University of Technology(波兹南理工大学);Toronto Metropolitan University(多伦多都会大学);Tutte Institute for Mathematics and Computing(塔特数学与计算研究所)
本文提出可扩展的 h-Louvain 超图社区检测算法,通过动态线性组合二部图与超图模块化函数并利用 Bayesian 优化超参数,解决了直接应用 Louvain 算法无法发现有意义社区的问题,在合成与真实网络上取得改进。
2024-06-25 cs.LG cs.SI
Community detection in temporal multilayer networks, with an application to correlation networks
网络是表示交互实体的复杂系统的方便方式。许多网络包含节点的“社区”,这些节点彼此之间的连接比网络中其他节点的连接更密集。在本文中,我们研究了在时间网络表示为多层网络的社区检测。作为一个焦点的例子,我们研究时间依赖的金融资产相关网络。我们首先认为,使用“模块化”质量函数-这是通过比较观察到的网络中的边缘权重和“空网络”中的预期边缘权重来定义的-是依赖于应用的。在模块化最大化的讨论中,我们区分了“空网络”和“空模型”,并强调了同一个空网络可以对应不同的空模型。然后,我们研究了一个多层模块化最大化问题,以确定社区的时间网络。我们的多层分析只依赖于最大化问题的形式,而不依赖于所选择的特定质量函数。我们引入了一个诊断来衡量社区结构的\emph{persistence}的多层网络分区。我们证明了几个结果,描述了多层最大化问题的措施之间的权衡静态社区结构层和更大的值跨层的持久性。我们还讨论了一些计算问题,流行的“鲁汶”启发式面临的时间多层网络,并建议如何减轻他们。
2017-12-24 cs.SI nlin.AO physics.soc-ph
DMCS : Density Modularity based Community Search
社区搜索,或者在社交网络中找到包含给定查询节点的连通子图(称为社区),是一个基本问题。现有的社区搜索模型大多只关注社区内部的凝聚力。然而,高质量的社区通常具有高模块性,这意味着社区内部的连接密集,而社区外部的节点连接稀疏。在本文中,我们进行了一个开拓性的研究,寻找一个社区与高模块化。我们指出,虽然模块化已被广泛用于社区发现(无查询节点),它还没有被采用的社区搜索,令人惊讶的是,它的应用在社区搜索(相关的查询节点)带来了新的挑战。我们通过设计一个新的图模块度函数密度模块度来解决这些挑战。据我们所知,这是第一个使用图模块化的社区搜索问题的工作。基于密度模块度的社区搜索,简称DMCS,是在一个包含所有查询节点的社会网络中寻找一个密度模块度高的社区。我们证明了DMCS问题是NP-困难的。为了有效地解决DMCS,我们提出了新的算法,运行在对数线性时间的图的大小。我们在真实世界和合成网络中进行了广泛的实验研究,从而深入了解我们算法的效率和有效性。特别是,我们的算法实现高达8.5倍的精度NMI比基线算法。
2022-04-16 cs.SI
Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion
Victoria University of Wellington(维多利亚大学);Goldenset Collective(Goldenset集体);School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院)
针对GCN社区检测中模块度优化次优及人工标签破坏拓扑连通性的问题,提出TAS-Com,借助Leiden算法优化损失并细化标签,实现模块度与标签遵从性的平衡,性能优于现有方法。
2025-05-15 cs.AI cs.SI
Random Walks, Markov Processes and the Multiscale Modular Organization of Complex Networks
大多数发现复杂网络中社区的方法依赖于组合图的性质。通常,与空随机图模型相比,边计数质量函数(例如模块性)在图的所有分区上进行优化。在这里,我们介绍了一个系统的动态框架,设计和分析各种各样的质量功能的社区检测。划分的质量是通过其马尔可夫稳定性来衡量的,马尔可夫稳定性是一个时间参数化函数,根据图上发生的马尔可夫过程的统计特性定义。马尔可夫过程提供了对图中所有尺度的动态扫描,而时间尺度是一个内在参数,可以以不同的分辨率揭示社区。这种基于动态的社区检测导致了复合优化,它有利于具有可比中心性的社区(如由固定分布定义的),并为谱算法提供了统一的框架,以及用于社区检测的不同算法,包括模块化和Potts模型的版本。我们的动态框架创建了一个系统的不同的随机动态之间的联系,并根据不同的(节点和边缘)中心的最佳社区的相应概念。我们表明,马尔可夫稳定性可以有效地计算,以找到大型网络中的多尺度社区结构。
2015-02-15 cond-mat.stat-mech cs.SI physics.soc-ph
An algebraic analysis of the graph modularity
University of Udine(乌迪内大学);University of Rome Tor Vergata(罗马托维加塔大学)
本文通过研究图模ularity矩阵的代数与谱性质,提出节点域定理、社区与非负特征值关系及最优模ularity的Cheeger型不等式。
2014-07-22 cs.NA cs.SI math.NA
On the accurate computation of expected modularity in probabilistic networks
针对概率网络中期望模块度计算困难的问题,提出FPWP技术,通过计算模块度概率分布及其期望值,在保证准确性的同时大幅提升计算效率,优于现有方法。
2025-04-22 cs.DS cs.SI
Community detection for directed networks revisited using bimodularity
University of Geneva(日内瓦大学)
本文提出双模性概念,通过凸松弛和奇异值分解优化有向网络中的社区检测,并在神经网络图谱中验证了其有效性。
2025-07-21 cs.SI
Modularity-Aware Graph Autoencoders for Joint Community Detection and Link Prediction
Deezer Research(Deezer研究院);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);Athens University of Economics and Business(雅典经济与商业大学)
图自动编码器(GAE)和变分图自动编码器(VGAE)成为链接预测的强大方法。他们的表现是不太令人印象深刻的社区发现问题,根据最近和并发的实验评估,他们往往优于更简单的替代品,如鲁汶方法。目前还不清楚GAE和VGAE可以在多大程度上改善社区发现,特别是在没有节点特征的情况下。此外,还不确定是否可以在保持链接预测的良好性能的同时这样做。在本文中,我们表明,联合解决这两个任务的高精度是可能的。为了这个目的,我们介绍和理论上研究的社区保持消息传递计划,掺杂我们的GAE和VGAE编码器,同时考虑初始图结构和基于模块的先验社区时,计算嵌入空间。我们还提出了新的训练和优化策略,包括引入一个模块化的正则化补充现有的重建损失的联合链接预测和社区发现。我们证明了我们的方法,称为模块化感知GAE和VGAE的经验有效性,通过深入的实验验证各种现实世界的图。
2022-06-20 cs.LG cs.SI stat.ML