Label propagation for clustering
标签传播是一种探试法，最初提出的社区发现在网络中，而该方法也可以采用其他类型的网络聚类和划分。在本书描述的所有方法和技术中，标签传播既不是最准确的方法，也不是最健壮的方法。然而，它无疑是最简单和最快的聚类方法之一。标签传播可以用几行编程代码实现，并应用于标准计算机上具有数亿个节点和边的网络，这仅适用于文献中的少数其他方法。在本章中，我们提出了标签传播的基本框架，回顾了原始方法的不同进展和扩展，并强调了它与其他方法的等价性。我们展示了如何标签传播可以有效地用于大规模的社区发现，图分区，结构上等同的节点和其他网络结构的识别。最后，我们总结了标签传播的方法和建议，为未来的研究。
2017-09-17 cs.SI physics.data-an physics.soc-ph
Community Detection in Dynamic Networks via Adaptive Label Propagation
提出了一种自适应标签传播算法（ALPA）来检测和监控动态网络中的社区。与每次修改网络后重新计算整个社区分解的传统方法不同，ALPA考虑了历史社区的信息，并通过本地标签传播过程根据网络修改更新其解决方案，这通常只影响网络的一小部分。这使得它能够以较低的计算成本响应网络变化。ALPA的有效性已经在合成和真实世界的网络上进行了测试，这表明它可以成功地识别和跟踪动态社区。此外，与其他方法相比，ALPA可以高质量和准确性地检测社区。因此，低复杂度和无参数，ALPA是一个可扩展的和有前途的解决方案，为一些现实世界中的应用程序的社区检测在动态网络中。
2017-11-17 cs.SI physics.soc-ph
Latent Geometry Inspired Graph Dissimilarities Enhance Affinity Propagation Community Detection in Complex Networks
Technische Universität Dresden（德累斯顿工业大学）
仿射传播是高维特征空间数据聚类的一种有效的无监督模式识别算法。然而，无数的尝试，以测试其性能的社区发现在复杂的网络中已经取得的结果非常远离国家的最先进的方法，如Infomap和Louvain。然而，所有这些研究都认为，关键问题是将未加权的网络拓扑转换为“足够智能”的节点相异性矩阵，该矩阵能够正确地解决亲和传播聚类背后的消息传递过程。在这里，我们介绍了一个概念上的创新，我们讨论了如何利用网络潜在的几何概念，以设计相似性传播社区发现的相异性矩阵。我们的研究结果表明，潜在的几何启发相异度的措施，我们设计带来的亲和传播等于或优于当前最先进的方法社区发现。考虑到合成的“真实”网络（具有已知的地面真实社区）和真实网络（具有社区元数据），即使数据结构被丢失或虚假连接人为引起的噪声破坏，这些发现也得到了可靠的证明。
2018-08-29 cs.LG cs.SI physics.soc-ph
Community Detection Using A Neighborhood Strength Driven Label Propagation Algorithm
研究大型社交网络中的社区结构和演化需要一种快速准确的社区发现算法。随着所分析的社区的大小增长，社区发现算法的复杂度需要保持接近线性。标签传播算法（LabelPropagationAlgorithm，LPA）具有近似线性的运行时间和易于实现的优点，为有效的社区发现方法奠定了良好的基础。在本文中，我们提出了新的更新规则和标签传播准则在LPA，以提高其计算效率和社区的质量，它检测。通过避免由原始算法执行的不必要的更新来优化速度。这一变化大大减少了（对于大型网络来说是数量级的）算法执行的迭代次数。我们还评估了我们的LPA更新规则的泛化，该规则考虑到了不同的强度，与考虑新标签的节点的邻域的连接。计算机生成的网络和广泛的社交网络上的实验表明，我们的新规则提高了检测到的社区的质量相比，原来的LPA。考虑正邻域强度的好处是显着的，特别是在现实世界的网络包含足够大的分数的节点具有高聚类系数。
2011-05-17 cs.SI physics.soc-ph
Unfolding network communities by combining defensive and offensive label propagation
标签传播已被证明是一种快速的方法来检测复杂网络中的社区。最近的工作也提高了基本算法的精度和稳定性，但是，一个通用的方法仍然是一个悬而未决的问题。我们提出了不同的标签传播算法，传达两个独特的策略，即社区的防御性保护和进攻性扩张。此外，这些策略结合在一个先进的标签传播算法，保留了这两种方法的优点，并加强了分层社区提取，突出用于大型网络。所提出的算法在不同的基准网络与种植分区和超过30个不同类型和大小的真实世界的网络进行了经验评估。结果证实了充分的命题，并为未来的（大型）复杂网络的分析提供了有前途的理由。然而，这项工作的主要贡献是表明，不同类型的网络（具有不同的拓扑性质）有利于不同的社区形成策略。
2011-03-14 cs.SI physics.data-an physics.soc-ph
LabelRank: A Stabilized Label Propagation Algorithm for Community Detection in Networks
大数据分析中的一个重要挑战是在大规模网络中发现内聚群体，包括社交网络、遗传网络、通信网络等。在本文中，我们提出了LabelRank，一个有效的算法检测社区通过标签传播。一组运营商被引入到控制和稳定的传播动力学。这些操作解决了传统标签传播算法（LPA）中的随机性问题，在同一网络的所有运行中稳定发现的社区。对真实网络的测试表明，与LPA以及其他流行算法相比，LabelRank显著提高了检测到的社区的质量。
2013-03-13 cs.DS cs.SI physics.soc-ph
Community Detection via Semi-Synchronous Label Propagation Algorithms
最近引入的一种新的社区发现策略是基于标签传播算法（LPA），该算法利用网络中信息的扩散来识别社区。对LPA的研究表明，该策略在寻找良好的社区结构方面是有效的。标签传播步骤可以在所有节点上并行执行（同步模型）或顺序执行（异步模型）;两种模型都存在一些缺点，例如，在第一种情况下不允许算法终止，在第二种情况下性能可能最差。在本文中，我们提出了一个半同步版本的LPA，旨在结合同步和异步模型的优点。我们证明了我们的模型总是收敛到一个稳定的标签。此外，我们实验研究所提出的策略的有效性比较其性能与异步模型的质量，效率和稳定性。测试表明，所提出的协议不会损害分区的质量。此外，它非常高效;每个传播步骤都非常可并行化，并且比异步模型更稳定，这要归功于我们的提案只使用了少量的随机化。
2011-03-23 cs.SI physics.soc-ph
Unfolding communities in large complex networks: Combining defensive and offensive label propagation for core extraction
标签传播已被证明是一种快速的方法来检测大型复杂网络中的社区。最近的发展也提高了方法的准确性，但是，一个通用的算法仍然是一个悬而未决的问题。我们提出了一种先进的标签传播算法，结合了两个独特的战略，即社区的防御性保护和进攻性扩张的社区形成。两种策略相结合，在一个层次的方式，递归地提取网络的核心，并确定晶须社区。该算法进行了评估的两类基准网络种植分区和近25个现实世界的网络，从网络与几十个节点的网络与几千万的边缘。它被证明是目前国家的最先进的社区检测算法和优于所有以前的标签传播算法，具有可比的时间复杂度。特别地，对真实世界网络的分析已经证明，该算法具有几乎线性的复杂度$\mathcal{O}(m^{1.19})$，并且比基本标签传播算法（$m$是网络中的边的数量）具有更好的扩展性。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Resampling community detection to maximize propagation in complex network
识别复杂网络中的重要节点在理论和应用领域都具有重要意义。少数这样的节点具有决定信息传播的确定性能力，因此在网络中找到一组最大化传播的节点是很重要的。在基线排序方法的基础上，提出了各种改进方法，但目前还没有一种改进方法能覆盖所有的基线排序方法。本文提出了一种基于节点局部社区信息的RCD-Map（restaurant社区发现的简称）方法，以最大化传播为目标，对度中心性、贴近度中心性、节点间中心性、K-shell和PageRank五种基本排序方法进行了改进。为了减少重叠和非重叠两种社区发现方法带来的偏差和随机性，我们对原始图进行了扰动。为了评估我们的识别方法的性能，SIR（易感染-感染-恢复）模型被用来模拟信息传播过程。结果表明，惩罚的方法表现更好的传播范围更大的一般。
2022-11-26 cs.SI
On the relationship between Gaussian stochastic blockmodels and label propagation algorithms
社区发现问题是近年来备受关注的问题。已经提出了许多方法来发现网络中的社区。在本文中，我们提出了一个高斯随机块模型，使用高斯分布来拟合非重叠社区发现网络中的边的权重。该模型的最大似然估计具有与一般的具有节点偏好的标签传播相同的目标函数。在最大似然估计下，特定顶点的节点偏好结果是与社区内特征向量中心度（该顶点社区内的子图的邻接矩阵的主特征向量中的对应条目）成比例的值。此外，我们的模型的约束版本的最大似然估计是高度相关的标签传播算法的另一个扩展，即，标签传播算法下的约束。实验结果表明，所提出的高斯随机块模型在各种基准网络上表现良好。
2015-01-27 cs.SI physics.soc-ph
Finding overlapping communities in networks by label propagation
我们提出了一个算法，发现重叠的社区结构在非常大的网络。该算法基于Raghavan，Albert和Kumara的标签传播技术，但能够检测重叠的社区。与原始算法一样，顶点具有在相邻顶点之间传播的标签，以便社区成员就其社区成员资格达成共识。我们的主要贡献是扩展标签和传播步骤，包括有关多个社区的信息：每个顶点现在可以属于v个社区，其中v是算法的参数。我们的算法也可以处理加权和二分网络。在一组独立设计的基准测试和真实网络上的测试表明，该算法在恢复重叠社区方面非常有效。它也非常快，可以在短时间内处理非常大和密集的网络。
2010-10-14 cs.SI physics.soc-ph
LabelRankT: Incremental Community Detection in Dynamic Networks via Label Propagation
网络分析中一个越来越重要的挑战是有效地检测和跟踪动态网络中的社区，这些社区的变化以流的形式到达。需要一种算法，可以增量地更新和监控社区的演变产生巨大的实时数据流，如互联网或在线社交网络。在本文中，我们提出了LabelRankT，一个在线的分布式算法检测社区在大规模的动态网络，通过稳定的标签传播。在真实网络上的测试结果表明，LabelRankT具有比其他算法低得多的计算成本。与动态检测方法相比，它还提高了检测到的社区的质量，并与静态检测方法实现的质量相匹配。与大多数仅适用于二进制网络的算法不同，LabelRankT适用于加权和有向网络，这为现实世界的应用提供了灵活和有前途的解决方案。
2013-05-12 cs.SI physics.soc-ph
On the Analysis of a Label Propagation Algorithm for Community Detection
本文提出了一个简单的，分布式的网络上的社区发现算法的形式化分析。我们分析了一个算法，我们称之为\textsc{Max-LPA}，无论是在其收敛时间和检测到的社区的“质量”。\textsc{Max-LPA}是一类称为\textit{label propagation}算法的社区发现算法的实例。据我们所知，大多数标签传播算法的分析，到目前为止一直是经验的性质，在本文中，我们寻求一个理论上的理解标签传播算法。在我们的主要结果中，我们定义了一个集群版本的\er随机图与集群$V_1, V_2,..., V_k$的概率$p$，一个集群内的边缘连接节点$V_i$是高于$p'$，边缘连接节点的概率在不同的集群。我们表明，即使有相当普遍的限制$p$和$p'$（$p = Ω(\frac{1}{n^{1/4-ε}})$的任何$ε> 0$，$p' = O(p^2)$，其中$n$是节点的数量），\textsc{Max-LPA}检测集群$V_1, V_2,..., V_n$在短短两轮。基于这一点和经验结果，我们推测\textsc{Max-LPA}可以正确和快速地识别聚簇\er图上的社区，即使当聚类稀疏得多时，即，用$p = \frac{c\log n}{n}$换一些$c > 1$。
2012-10-13 cs.DC cs.SI physics.soc-ph
Selecting a suitable Parallel Label-propagation based algorithm for Disjoint Community Detection
社区发现是网络分析中的一项重要任务，因为它有助于识别网络中的组和模式。高速社区发现算法对于在合理的时间内分析大规模网络是必要的。研究人员在高速社区发现算法的发展方面做出了重大贡献，特别是在基于标签传播的不相交社区发现领域。这些算法已被证明在合理的时间内分析大规模网络是非常有效的。然而，重要的是要评估这些现有方法的性能和准确性，以确定哪种算法最适合特定类型的网络和特定的研究问题。在这份报告中，我们调查了RAK，COPRA和SLPA，三个标签传播为基础的静态社区发现技术。我们在实现每个算法的单线程和多线程基于OpenMP的变体时，会密切关注每个算法的细节，进行任何必要的调整或优化，并获得正确的参数值。RAK算法被发现表现良好，公差为0.05，基于OpenMP的严格RAK与12个线程比顺序非严格RAK快6.75倍。COPRA算法适用于道路网络的单个标签和其他类别的图形的最大标签4 - 16。SLPA算法随着内存大小的增加表现良好，但总体上并没有提供有利的投资回报。RAK算法被推荐用于基于标签传播的不相交社区发现。
2023-01-22 cs.DM cs.SI
An Improved Node Ranking for Label Propagation and Modularity based Clustering
在本文中，我将讨论非谱聚类技术，并了解基于中心性度量的节点排序如何提高检测到的社区的质量。我还将讨论对现有技术的改进，这将进一步提高模块性。
2014-09-28 cs.SI physics.soc-ph
Community Detection in the Labelled Stochastic Block Model
University of Massachusetts（马萨诸塞大学）；Technicolor（特艺集团）；INRIA-ENS（法国国家信息与自动化研究所-巴黎高等师范学院）；INRIA-Microsoft Research Joint Centre（法国国家信息与自动化研究所-微软研究院联合中心）
我们考虑的问题，社区发现从观察到的个人之间的相互作用，在多种类型的相互作用是可能的。我们使用标记的随机块模型来表示观察到的数据，其中标签对应于相互作用类型。专注于两个社区的情况下，我们推测一个阈值的重建隐藏的社区的方式，是与真正的分区的问题。为了证实这一猜想，我们证明了给定的阈值正确地识别了从不敏感到敏感的信念传播行为的转变。我们进一步证明了相同的阈值对应于树模型上的相关推理问题从不可行到可行的过渡。最后，数值结果使用信念传播的社区发现进一步支持的猜想。
2012-09-13 cs.LG cs.SI math.PR
Community detection using boundary nodes in complex networks
我们提出了一个新的本地社区检测算法，发现社区之间的边界线，使用边界节点。我们的方法执行标签传播社区检测，其中节点决定他们的标签的基础上表现出最大的“效益分数”的近邻作为吸引他们的社区。我们尝试了不同的指标，发现使用共同邻居的数量作为收益分数可以为社区结构做出更好的决策。该算法具有局部逼近的特点，在标签传播迭代过程中只关注边界节点，消除了不必要的步骤，缩短了整体执行时间。它保留了小社区以及大社区，并且在识别社区的质量方面优于其他算法，特别是当社区结构很微妙时。该算法具有分布式的性质，可以在大型网络上以并行的方式使用。
2018-08-03 cs.SI physics.soc-ph
Controlled Label Propagation: Preventing Over-Propagation through Gradual Expansion
社区识别一直是复杂网络分析中的一项基本任务。在过去的十年里，人们设计了许多方法来检测社区。其中，标签传播算法带来了很大的可扩展性和高准确性。然而，它有一个主要缺陷：当网络中的社区结构不够清晰时，它会为每个节点分配相同的标签，从而将整个图检测为一个巨大的社区。我们通过为社区设定一个能力来解决这个问题，从一个小的值开始，随着时间的推移逐渐增加。初步结果表明，该扩展不仅提高了经典标签传播算法在社区不可检测时的检测能力，而且提高了复杂网络中具有清晰社区结构的已识别簇的整体质量.
2015-03-16 cs.SI
Understanding Effects of Algorithmic vs. Community Label on Perceived Accuracy of Hyper-partisan Misinformation
超党派的错误信息已成为公众关注的主要问题。为了研究哪种类型的错误信息标签可以减轻社交媒体上超党派的错误信息共享，我们在COVID-19健康信息的背景下进行了一项4（标签类型：算法，社区，第三方事实检查器和无标签）X 2（后意识形态：自由派与保守派）的受试者在线实验（N = 1，677）。结果表明，对于自由派用户来说，无论帖子的意识形态如何，所有标签都会降低虚假帖子的感知准确性和可信度。相比之下，对于保守派用户来说，标签的有效性取决于帖子是否在意识形态上一致：与社区标签相比，算法标签在降低虚假保守派帖子的感知准确性和可信度方面更有效，而所有标签都能有效降低他们对自由派帖子的信任。我们的研究结果揭示了依赖于人们的政治意识形态的各种错误信息标签的不同影响。
2023-01-21 cs.HC cs.SI
Modeling shared micromobility as a label propagation process for detecting the overlapping communities
本研究将共享微出行建模为标签传播过程，提出地理空间交互传播模型（GIP），结合SLPA算法和异常检测，在华盛顿特区电动滑板车系统中检测重叠社区，效率和模块度优于现有方法。
2025-01-27 cs.SI physics.app-ph
An effective and efficient label initialization method based on similarity for community detection in networks
识别网络中的集群或社区结构已成为社会网络分析的一个组成部分。虽然已经提出了许多方法，但标签传播算法（LPA）是一种流行的计算效率高的方法，具有运行时间线性。然而，由于LPA中的随机性，LPA在同一网络上提供不同的社区组合。已经提出了许多改进来通过消除随机性来解决这个稳定性问题。本文对标准LPA进行了改进，提出了一种基于链接相似度的标签初始化方法。相似性是基于两个节点之间的连接强度来测量的。该方法进行了测试，真实的和综合的措施，分析性能。
2022-01-16 cs.SI
Community Detection on Euclidean Random Graphs
研究了欧氏随机几何图上的社团检测问题，其中每个顶点有两个潜变量：一个二元社团标签和一个$\mathbb{R}^d$值位置标签，该标签构成强度为$λ$的泊松点过程的支撑.然后绘制一个随机图，其边缘概率取决于社区和位置标签。与没有位置标签的随机块模型（SBM）相比，由于几何嵌入，所得到的随机图包含更多的短循环。我们考虑恢复的社区标签，部分和精确的，使用随机图和位置标签。我们建立稀疏和对数度制度的相变，并提供界限的阈值的位置上，严格的情况下，确切的恢复。我们还表明，阈值的可扩展性问题，即，我们的模型和没有社区标签的空模型之间的测试没有表现出相变，特别是，不匹配弱恢复阈值（与SBM相反）。
2020-03-19 cs.IT cs.SI math.IT
Streaming Belief Propagation for Community Detection
Stanford University（斯坦福大学）；Google Research（谷歌研究院）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
社区检测问题需要将网络中的节点聚类为少量连接良好的“社区”。最近在描述简单随机块模型下社区检测的基本统计极限方面取得了重大进展。然而，在现实世界的应用中，网络结构通常是动态的，节点会随着时间的推移而加入。在这种情况下，我们希望检测算法在每个节点到达时只执行有限数量的更新。虽然标准的投票方法满足这一约束，但尚不清楚它们是否最佳地利用了网络信息。我们介绍了一个简单的模型，随着时间的推移，我们称之为流随机块模型（StSBM）的网络增长。在这个模型中，我们证明了投票算法有根本的局限性。我们还开发了一个流的信念传播（StreamBP）的方法，我们证明在某些制度的最优性。我们验证了我们的理论研究结果的合成和真实的数据。
2021-06-10 cs.LG cs.SI math.PR
Random Walks with Variable Restarts for Negative-Example-Informed Label Propagation
标签传播在图上的机器学习和数据采掘应用中经常遇到，无论是作为独立问题还是作为节点分类的一部分。许多标签传播算法利用随机游走（或网络传播），其提供有限的能力来考虑负标记的节点（即，已知不与感兴趣的标签相关联的节点）。合并负标记样本的专门算法通常专注于学习或重新调整边权重，以驱动从负标记节点向正标记节点移动。这种方法有几个缺点，因为它增加了要学习的参数的数量，并且不一定会从网络中富含负标记节点的区域中走开。我们重新制定随机游走与重新启动和网络传播，使“可变的重新启动”，这是一个负标记的节点时，遇到一个正标记的节点重新启动的可能性增加。在此基础上，我们开发了一种算法，有效地结合了可变的重新启动概率和边缘重新加权，以避免负标记的节点。除了允许变量重新启动之外，CusTaRd还从正标记节点的邻居中对负标记节点进行采样，以更好地表征正标记节点和负标记节点之间的差异。为了评估CusTaRd的性能，我们在基准标签传播和节点分类算法中常用的四个网络数据集上进行了全面的实验。我们的研究结果表明，CusTaRd始终优于学习/重新调整边缘权重的竞争算法，并且从紧邻的阳性区域中采样阴性进一步提高了预测准确性。
2021-10-13 cs.SI
$ν$-LPA: Fast GPU-based Label Propagation Algorithm (LPA) for Community Detection
本文提出GPU优化的标签传播算法ν-LPA，通过异步LPA结合每4次迭代的无选择方法及逐顶点混合探测哈希表，在A100 GPU上实现每秒30亿条边处理速度，显著超越现有LPA和Louvain方法。
2025-01-06 cs.DC cs.SI
Memory Efficient GPU-based Label Propagation Algorithm (LPA) for Community Detection on Large Graphs
针对现有多核和GPU版LPA社区检测算法内存开销高的问题，提出基于加权BM和MG草图的内存高效GPU实现$ν$MG8-LPA，大幅降低内存使用并保持效率与检测质量。
2024-11-29 cs.DC cs.SI
Integrated structure investigation in complex networks by label propagation
网络结构的研究对于理解各种复杂网络的功能具有重要意义。具有层次结构和重叠结构的社区以及枢纽和离群点等特殊节点都是网络的共同结构特征。网络结构的研究近年来吸引了大量的研究工作。然而，现有的研究只是部分探讨了结构特征。提出了一种基于标签传播的网络结构综合调查算法（LINSIA）。这里的主要新颖之处在于LINSIA可以发现分层和重叠的社区，以及中心和离群值。此外，LINSIA可以提供对标签传播机制的深入了解，并提出一个不需要先验知识的无参数解决方案。此外，LINSIA可以给出一个软划分的结果，并描绘属于每个相关社区的重叠节点的程度。该算法在各种合成和真实世界的网络上进行了验证。实验结果表明，该算法优于几个国家的最先进的方法。
2015-12-29 cs.SI physics.soc-ph
Semi-supervised evidential label propagation algorithm for graph data
Northwestern Polytechnical University（西北工业大学）；DRUID, IRISA, University of Rennes 1（雷恩第一大学IRISA研究所DRUID团队）
在社区发现任务中，往往存在一些有用的先验信息。本文提出了一种基于证据标签传播策略的半监督聚类方法，将领域知识融入到社区发现模型中。SELP的主要优点是它可以利用有限的监督知识来指导检测过程。社区标签的先验信息最初以质量函数的形式表示。然后，采用一种新的证据标签传播规则，将标签从标记数据传播到未标记数据。离群值可以被识别为属于特殊类别。实验结果证明了SELP的有效性。
2016-07-29 cs.AI cs.SI
Evidential Label Propagation Algorithm for Graphs
Northwestern Polytechnical University（西北工业大学）；University of Rennes 1（雷恩第一大学）
社区发现因其能够发现复杂网络的结构和特征而受到广泛关注。随着现实世界中社交网络规模的不断扩大，社区发现方法需要快速准确。标签传播算法（LPA）是一种近似线性的解决方案，具有易于实现的优点，为有效的社区发现方法奠定了良好的基础。在本文中，我们扩展了LPA的更新规则和传播准则的信念函数的框架。提出了一种新的社区发现方法，称为证据标签传播（ELP），作为传统LPA的增强版本。首先定义节点影响力来指导传播过程。可扩展性用于确定每个节点的域标签。为了提高算法的鲁棒性，对节点的更新顺序进行了讨论。ELP算法在所有节点的域标签不变后收敛。质量分配最终计算为节点的成员资格。该方法可以同时检测重叠节点和离群点。实验结果证明了ELP的有效性。
2016-06-13 cs.AI cs.SI
EXIT Analysis for Community Detection
University of Texas at Dallas（得克萨斯大学达拉斯分校）
本文采用从差错控制码迭代译码分析中引入的外信息传递（EXIT）方法，研究了边信息存在时社区发现的置信传播性能。我们考虑检测一个单一的（隐藏）社区，以及识别两个对称社区的问题。对于单社区发现，本文证明了EXIT预测弱恢复的渐近相变的适用性。更重要的是，利用EXIT分析来产生有用的见解，例如阈值附近的置信传播的性能。对于两个对称社区，在有限字母表边信息下计算了置信传播的渐近残差，推广了以前的结果与噪声标签。EXIT分析用于阐明边信息对社区发现的影响，其相对重要性取决于图形信息与节点标签的相关性，以及边信息对残差的影响。
2019-01-08 cs.LG cs.SI stat.ML
Efficient Unsupervised Community Search with Pre-trained Graph Transformer
本文提出无监督社区搜索框架TransZero，通过预训练图Transformer和自监督损失学习节点表示，并利用期望得分增益实现无标签社区识别，在10个数据集上取得优越的准确性与效率。
2024-03-29 cs.DB cs.SI
The Power of Communities: A Text Classification Model with Automated Labeling Process Using Network Community Detection
Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校）；Waseda University（早稻田大学）；Pypestream, Inc.（Pypestream公司）
文本分类是机器学习和人工智能研究中最关键的领域之一。它已经被积极地应用于许多商业应用中，例如会话智能系统、新闻文章分类、情感分析、情感检测系统以及我们日常生活中的许多其他推荐系统。有监督文本分类模型的一个问题是，模型的性能在很大程度上取决于通常由人类完成的数据标记的质量。在这项研究中，我们提出了一个新的网络社区发现为基础的方法来自动标记和分类文本数据到多类值空间。具体来说，我们建立网络的句子作为网络节点和成对的余弦相似度之间的词频反转的文档频率（TFIDF）的向量表示的句子作为网络链接的权重。我们使用Louvain方法来检测句子网络中的社区。我们在人类标记数据和网络社区发现标记数据上对支持向量机和随机森林模型进行了训练和测试。实验结果表明，基于网络社区发现标记数据的模型比基于人工标记数据的模型的分类准确率高2.68-3.75%。我们的方法可能有助于更准确的会话智能和其他文本分类系统的发展。
2019-11-14 cs.CL cs.IR cs.SI
Classic Graph Structural Features Outperform Factorization-Based Graph Embedding Methods on Community Labeling
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Google（谷歌）
图表示学习（也称为图嵌入）是一种将网络结构整合到机器学习模型中的流行技术。无监督图嵌入方法旨在通过学习每个节点的低维向量表示（嵌入）来捕获图结构。尽管这些嵌入被广泛用于各种下游转导机器学习任务，但很少有对这种方法在常见任务中的有效性进行原则性分析。在这项工作中，我们提供了一个经验和理论分析的一类嵌入对成对社区标记的共同任务的性能。这是经典社区发现问题的二进制变体，该问题寻求构建分类器以确定一对顶点是否参与社区。根据我们的基础理解目标，我们专注于一类流行的无监督嵌入技术，这些技术学习顶点邻近矩阵的低秩因子分解（该类包括GraRep，DeepWalk，node2vec，NetMF等方法）。我们进行了详细的实证分析，在各种真实的和合成的图形与地面真理的社区标签。在我们研究的所有情况下，从嵌入特征训练的模型在社区标记上表现不佳。在组播中，具有经典图结构特征的简单逻辑模型轻松地优于嵌入模型。对于一个更原则性的理解，我们提供了一个理论分析，这些嵌入在捕捉社区结构的有效性。我们正式证明了流行的低维分解方法要么不能产生社区结构，要么只能产生"不稳定”社区。这些社区在小扰动下本质上是不稳定的。
2022-01-20 cs.AI cs.DS cs.SI
An improved belief propagation algorithm for detecting meso-scale structure in complex networks
统计推断框架已被成功地应用于复杂网络中的中尺度结构，如社团结构、核心-外围（CP）结构。其主要原理是使用随机块模型（SBM）来拟合观测网络，学习的参数指示组分配，其中模型参数通常通过期望最大化（EM）算法计算，并实施置信传播（BP）算法来计算分解本身。在BP算法的推导过程中，忽略了节点邻域的影响，对网络进行了一些近似，但当网络密度较大或节点度较大时，这些近似不成立。因此，例如，BP算法不能很好地检测网络中的CP结构，甚至产生错误的检测，因为核心组中的节点度非常大。在此基础上，提出了一种改进的BP算法，在不增加任何计算复杂度的情况下解决了原BP算法中的问题。通过对改进的BP算法和原BP算法在社区检测和CP检测上的比较，发现在网络稀疏的情况下，两种算法在社区检测上的性能相当，而对于密集网络中的社区结构或网络中的CP结构，改进的BP算法的性能更好，更稳定。改进的BP算法可以帮助我们正确划分网络中不同类型的细观结构。
2018-08-28 cs.SI physics.soc-ph
Butterfly-Core Community Search over Labeled Graphs
社区搜索的目的是在图中找到查询顶点的密集连接子图。虽然这一任务已经在文献中得到了广泛的研究，但大多数现有的作品只关注于寻找同质社区，而不是具有不同标签的异质社区。在本文中，我们提出了一个新的问题，跨组社区搜索，即蝴蝶核心社区（BCC），在一个标记的图，其中每个顶点有一个标签表示其属性和两个顶点之间的边表示它们的交叉关系。具体来说，对于两个查询顶点具有不同的标签，我们的目标是找到一个密集连接的交叉社区，包含两个查询顶点，并由蝴蝶网络，其中每个翅膀的蝴蝶是由一个k-核心搜索的基础上，一个查询顶点和两个翅膀连接这些蝴蝶。事实上，BCC结构允许结构的内聚性和最小直径，从而可以有效地捕获异构和简洁的协作团队。此外，我们从理论上证明了该问题是NP-困难的，并分析了它的不可逼近性。为了有效地解决这个问题，我们开发了一个启发式算法，它首先找到一个BCC包含查询顶点，然后迭代地删除最远的顶点从图中的查询顶点。该算法可以达到最优解的2-近似。为了进一步提高效率，我们设计了一个蝴蝶核索引，并开发了一套有效的算法来识别和维护蝴蝶核的顶点被删除。八个真实世界的网络和四个新的案例研究的广泛实验验证了我们的算法的有效性和效率。
2021-05-20 cs.DB cs.SI
Label Propagation on K-partite Graphs with Heterophily
Univ. of Southern California（南加州大学）；Fudan University（复旦大学）；Information Sciences Institute（信息科学研究所）
本文首次在异质性假设下研究了异质图中的标号传播问题。同构标签传播（即，两个连通节点共享相似标号）的问题已经得到了广泛的研究。不幸的是，现实生活中的网络是异构的，它们包含不同类型的顶点（例如，用户、图像、文本）和关系（例如，友谊、共同标记），并允许每个节点向其邻居传播相同和相反的标签副本。我们提出了一个$\mathcal{K}$ -partite标签传播模型来处理异构节点/关系和异构传播的神秘组合。在此基础上，我们提出了一种新的标签推理算法框架，该框架具有近线性时间复杂度的更新规则。由于真实网络随时间而变化，我们设计了一种增量方法，该方法支持新数据和证据的快速更新（例如，Ground truth labels），保证效率。我们还提供了一个效用函数，以自动确定是否是增量或重新建模的方法是有利的。在真实数据集上的大量实验验证了该方法的有效性和效率，以及其优于最先进的标签传播方法的优势。
2017-01-21 cs.AI cs.LG cs.SI
Non-Dissipative Graph Propagation for Non-Local Community Detection
School of Engineering Mathematics and Technology（工程数学与技术学院）；Technology University of Bristol Bristol, UK（布里斯托尔技术大学（英国））；Dept. of Computer Science University of Pisa Pisa, Italy（计算机科学系，帕尔米斯大学（意大利））
针对异质性图中社区检测的挑战，提出无监督反对称图神经网络（uAGNN），利用非耗散动力系统和反对称权重矩阵捕获局部与全局结构，在十个数据集的高/中等异质性场景中表现优于传统方法。
2025-08-15 cs.AI cs.LG cs.SI
Optimization via Low-rank Approximation for Community Detection in Networks
社区发现是网络分析的基本问题之一，目前已经提出了许多方法。大多数基于模型或基于准则的方法必须解决离散标签集上的优化问题才能找到社区，这在计算上是不可行的。一些快速谱算法已被提出用于特定的方法或模型，但仅在个案的基础上。在这里，我们提出了一种通用的方法，通过将标签集投影到一个子空间上，近似于预期邻接矩阵的前导特征向量，来最大化离散标签上的网络邻接矩阵的函数。这种在低维空间上的投影使得标签的可行集合更小，优化问题更容易。我们证明了这种方法的一般结果，并展示了如何将其应用到以前提出的几个社区检测标准，建立其一致性的标签估计在每种情况下，并展示了网络的光谱特性和各种基于模型的社区检测方法之间的基本联系。仿真和应用程序的真实世界的数据，以证明我们的方法在很宽的参数范围内的多个问题表现良好。
2015-05-10 cs.SI math.ST physics.soc-ph
GSL-LPA: Fast Label Propagation Algorithm (LPA) for Community Detection with no Internally-Disconnected Communities
本文提出GSL-LPA算法，解决LPA产生内部不连通社区的问题，在双16核处理器上比现有算法快5.8至10300倍，处理速率达844M边/秒，且线程翻倍时扩展1.6倍。
2024-11-11 cs.DC cs.SI
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
Influence maximization by rumor spreading on correlated networks through community identification
最大化信息传播的最小节点集的识别是网络科学中最相关的问题之一。本文提出了一种新的方法来寻找初始传播者的集合，以最大化复杂网络中的信息传播。我们评估了这种方法在互联网和验证度度相关性的传播动力学中起着至关重要的作用。仿真结果表明，我们的算法是统计相似的，关于平均规模的爆发，在现实世界中的网络的贪婪的方法。然而，我们的方法是更少的时间消耗比贪婪算法。
2019-11-08 cond-mat.stat-mech cs.SI physics.soc-ph
Fundamental limits of community detection from multi-view data: multi-layer, dynamic and partially labeled block models
本文通过统一理论框架研究多视角数据（多层、动态、部分标注块模型）中社区发现的互信息与尖锐恢复阈值，并提出基于近似消息传递的迭代算法。
2024-01-16 cs.IT cs.SI math.IT
Fluid Communities: A Competitive, Scalable and Diverse Community Detection Algorithm
我们介绍了一个社区发现算法（流体社区）的基础上的想法，流体在环境中相互作用，扩大和收缩的结果，相互作用。Fluid Communities基于传播方法，在计算成本和可扩展性方面代表了最先进的技术。在高效的同时，Fluid Communities能够在合成图中找到社区，其准确性接近当前最佳替代品。此外，Fluid Communities是第一个能够识别网络中可变数量社区的基于传播的算法。为了说明该算法的相关性，我们评估了流体社区发现的社区的多样性，并发现它们与其他方法发现的社区有显着不同。
2017-10-09 cs.DS cs.SI physics.soc-ph
Exact Community Recovery in the Geometric SBM
研究几何随机块模型中的精确社区恢复问题，提出一种两阶段线性时间算法，在信息论阈值下成功恢复社区标签，证实了先前猜想。
2024-01-05 cs.SI math.PR math.ST
Analyzing Community-aware Centrality Measures Using The Linear Threshold Model
瞄准复杂网络中有影响力的节点可以加强或阻止谣言，流行病和停电。由于社区在现实世界的网络中很普遍，社区感知的中心性度量利用这些信息来定位有影响力的节点。研究表明，它们与对社区结构不可知的经典措施相比毫不逊色。虽然扩散过程是最重要的，以前的研究主要考虑著名的易感-感染-传播（SIR）的流行病传播模型。这项工作调查的一致性，以前的分析使用流行的线性阈值（LT）传播模型，在我们的现实生活中，许多传播过程的特点。我们对13个真实网络中7个有影响力的社区感知中心性指标进行了比较分析。总体而言，结果表明，社区为基础的调解人，通信中心性和模块化的活力优于其他措施。此外，社区调解员在预算紧张的情况下更有效（即，初始激活节点的一小部分），而通信中心性和模块化活力在初始激活节点的中到高部分的情况下表现更好。
2022-01-30 cs.SI
Semi-supervised Community Detection via Structural Similarity Metrics
Harvard University（哈佛大学）
针对度异质网络中新节点的社区标签估计问题，提出基于结构相似性度量的半监督算法，聚合有标签与无标签信息，实验优于现有方法并给出误分类误差界。
2023-06-01 cs.LG cs.SI stat.ME
An Induced Multi-Relational Framework for Answer Selection in Community Question Answer Platforms
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文讨论了在社区问答（CQA）论坛上确定问题的最佳候选答案的问题。这个问题很重要，因为个人经常访问CQA论坛，寻求细微问题的答案。我们开发了一种新的诱导关系图卷积网络（IR-GCN）框架来解决这个问题。我们做了三个贡献。首先，我们介绍了一个模块化的框架，分离的标签选择机制的图的建设。我们使用等价关系来归纳出一个包含集团的图，并确定了两种标签分配机制-标签对比，标签共享。然后，我们展示了如何在GCN中编码这些分配机制。第二，我们表明，编码的对比度创造歧视放大-提高嵌入空间中的节点之间的分离。第三，我们展示了一个令人惊讶的结果--增强技术比熟悉的神经架构堆叠、融合或聚合方法更能改善学习。我们在50个StackExchange社区的广泛实验中，在最先进的神经基线上显示了强大的结果。
2019-11-16 cs.LG cs.SI
Continuous Influence-based Community Partition for Social Networks
随着网络规模、数据量和应用的快速增长，社区划分在社交网络中显得尤为重要。研究了社交网络中LT模型下的社区划分问题，这是一个将社会网络划分为互不相交的$m$社区的组合优化问题.我们的目标是通过在每个社区内最大化影响力传播的总和。由于LT模型下社区划分问题的影响力传播函数是超模的，我们使用Lov{ $\acute{a}$ }sz扩展的方法对目标影响力函数进行松弛，并将目标转移到拟阵多胞形上最大化松弛后的函数.接下来，我们提出了一个连续的贪心算法，利用松弛函数的性质来解决我们的问题，这需要在具体实现离散化。然后，利用随机舍入技术将分数阶解转化为整数阶解。我们提出了一个理论分析与$1-1/e$逼近比所提出的算法。在真实的在线社交网络数据集上进行了大量的实验，结果表明连续贪心算法能够有效地提高社区划分的影响力和准确性.
2021-02-05 cs.SI
Matching Graphs with Community Structure: A Concentration of Measure Approach
本文研究了随机图在社团结构模型下的匹配问题。这个问题在诸如隐私、图像处理和DNA测序的各种应用中自然地出现。考虑一对随机生成的具有两两相关边的标号图。假设图的边是基于社区结构模型生成的。给定第一个图的边的标签，目标是恢复第二个图中的标签。该问题被认为是在两种情况下：i）与边信息的社区成员在两个图中的节点是已知的，和ii）没有边信息的社区成员是未知的。提出了一种基于图的邻接矩阵的典型性进行操作的匹配方案。可扩展性的结果，从而提供理论保证，在特定的假设下，图参数的成功匹配。据观察，对于所提出的匹配方案，成功匹配的条件不改变边信息的存在。此外，推导出一个逆结果，它表征了一组图参数的匹配是不可能的。
2018-10-31 cs.CR cs.SI q-bio.QM
GNNs Getting ComFy: Community and Feature Similarity Guided Rewiring
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文提出三种图重新连边策略 ComMa、FeaSt 和 ComFy，分别针对社区结构、特征相似性及其对齐关系，以替代谱间隙优化并提升 GNN 性能。
2025-02-07 cs.LG cs.SI stat.ML
Principal Graph Encoder Embedding and Principal Community Detection
本文提出主成分图编码嵌入方法，用于同时检测主成分社区并实现顶点嵌入，通过理论分析和实验验证其在社区检测和顶点分类中的有效性。
2025-07-02 cs.SI stat.ML
Active Learning for Community Detection in Stochastic Block Models
University of Southern California（南加州大学）
随机块模型（SBM）是网络科学和机器学习中随机图的一个重要生成模型，可用于基准测试社区发现（或聚类）算法。对称SBM生成具有$2n$节点的图，这些节点聚类成两个相等大小的社区。节点在社区内以概率$p$连接，在不同社区之间以概率$q$连接。我们考虑$p=a\ln (n)/n$和$q=b\ln (n)/n$的情况。在这种情况下，最近表明，以高概率（w. h. p.）仅使用该图是可能的，当且仅当B-H（CH）发散$D(a,b)=(\sqrt{a}-\sqrt{b})^2 \geq 1$。在这项工作中，我们研究了社区发现查询有限数量的所选节点的标签（即，主动学习）。我们的主要结果是表明，在一定条件下，采样标签的一个消失的小部分节点（一个数字次线性$n$）是足够的精确社区发现，即使当$D(a,b)<1$。此外，我们提供了一个有效的学习算法，恢复社区成员的所有节点w. h. p.，只要采样点的数量满足充分条件。我们还表明，恢复是不可能的，如果观察到的标签的数量小于$n^{1-D(a,b)}$。通过数值实验证明了我们的结果的有效性。
2016-05-08 cs.LG cs.SI math.PR
Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation
University of Luxembourg（卢森堡大学）；Criteo（科韬）
图神经网络（GNN）在图学习任务中占主导地位;然而，最近的研究表明，一种著名的图算法，标签传播（LP），结合浅层神经网络，可以在具有高同质性的图上实现与GNN相当的半监督节点分类性能。在本文中，我们表明，这种方法不符合低同伦图，其中节点往往连接到节点的相反类。为了克服这一点，我们精心设计了一个基础预测与LP算法，享有一个封闭的形式的解决方案，以及收敛保证的组合。我们的算法首先学习类兼容性矩阵，然后使用LP算法按类兼容性加权来聚合标签预测。在各种各样的基准，我们表明，我们的方法实现了领先的性能与各种层次的同质性图。同时，它具有数量级更少的参数，需要更少的执行时间。经验评估表明，简单的适应LP可以在半监督节点分类的同质性和异质性制度的竞争力。
2022-11-30 cs.LG 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
