Community detection robustness of graph neural networks
Department of Statistics, Virginia Polytechnic Institute and State University（统计系，弗吉尼亚理工大学）；Computer Science and Mathematics Division, Oak Ridge National Laboratory（计算机科学与数学 division，橡树岭国家实验室）
本文系统评估六种GNN在属性操纵、拓扑扭曲和对抗攻击下的社区检测鲁棒性，发现监督模型基线准确率更高，而DMoN等无监督方法抗扰更强。
2025-09-29 cs.AI cs.SI physics.soc-ph
Robustness of shallow graph embedding methods for community detection
Advanced Computing, Mathematics, and Data Division, Pacific Northwest National Laboratory（太平洋西北国家实验室高级计算、数学与数据部门）；Department of Mathematics, Indiana University（印第安纳大学数学系）；Computer Science and Mathematics Division, Oak Ridge National Laboratory（橡树岭国家实验室计算机科学与数学部门）
本研究通过节点删除扰动实验，比较了矩阵分解与随机游走两类浅层图嵌入方法在社区检测中的鲁棒性，发现node2vec和LLE表现最优，并指出网络规模、社区强度及扰动类型影响鲁棒性。
2026-09-10 cs.LG cs.SI physics.data-an
Grouping Entities in a Fleet by Community Detection in Network of Regression Models
本文论述了分组的基础上，他们的行为在一个舰队中的实体。每个实体的行为由其历史数据集表征，该历史数据集包括因变量（通常是性能度量）和多个自变量（通常是操作条件）。使用此数据集构建的回归模型用作实体行为的代理。一个单元的模型相对于另一个单元的数据集的验证误差被用作两个单元之间的行为差异的度量。基于其行为的验证实体被视为一个图聚类问题，其中节点表示回归模型，边权重由验证误差给出。具体来说，我们在这个图中发现社区，内部有密集的边缘连接，外部有稀疏的连接。提出了一种评估分组优度和寻找最佳划分数的方法。文中给出了算法和措施在合成数据中的应用。
2015-01-18 cs.SI physics.soc-ph
Modular Networks for Validating Community Detection Algorithms
如何准确比较不同的社区发现算法？这些算法对给定网络中的节点进行集群，并且它们的性能通常在具有显式地面真相社区的基准网络上进行验证。由于现实网络中缺乏聚类标签，因此需要一个生成真实网络的模型来准确评估这些算法。在本文中，我们提出了一个简单，直观，灵活的基准生成器生成本质上模块化的网络社区验证。我们展示了如何生成的网络密切遵守观察到的真实网络的特性，而他们的特性可以直接控制，以匹配广泛的现实世界的网络。我们进一步展示了如何共同的社区发现算法排名不同，当被评估这些基准相比，目前可用的替代品。
2018-01-04 cs.SI physics.soc-ph
RobustECD: Enhancement of Network Structure for Robust Community Detection
社区发现是网络分析中的一个重要环节，它主要研究节点间的相互作用。然而，它也面临着许多挑战，如数据丢失和对抗攻击。如何进一步提高社区发现在现实网络中的性能和鲁棒性，已经引起了人们的极大关注。本文从增强网络结构的角度研究了鲁棒社区发现问题，提出了两种通用算法：一种是基于遗传算法的鲁棒社区发现算法（RobustECD-GA），在适应度函数中结合模块度和聚类数来寻找最优的结构增强方案;另一种是基于相似性集成的鲁棒社区发现（RobustECD-SE），集成了各种顶点相似性捕获的社区结构的多种信息，在大规模网络上具有很好的扩展性。在真实网络上的综合实验表明，与传统的两种增强策略相比，新方法使六种典型的社区发现算法的性能得到了更显著的提高。在相应的对抗网络上的实验表明，新方法还能在一定程度上优化网络结构，对对抗攻击具有较强的鲁棒性。本文的源代码发布在https://github.com/jjzhou012/RobustECD上。
2021-07-01 cs.SI physics.soc-ph
Measuring Node Contribution to Community Structure with Modularity Vitality
社区感知中心性是网络科学中的一个新兴研究领域，关注节点对社区结构的重要性。测度是网络结构和给定分区的函数。以前的方法扩展了经典的中心性措施，占社区结构与社区发现理论的联系不大。相比之下，我们提出了集群质量的活力措施，即，模块化活力，这是一个社区意识的衡量标准，它充分基于中心性和社区发现理论。模块化活力量化了节点对社区结构的积极和消极贡献，表明节点作为社区桥梁或枢纽的作用。我们推导出一个计算效率高的方法，计算模块化生命力的所有节点在O（M + NC）的时间，其中C是社区的数量。我们通过移除中心节点来系统地分割网络，并发现模块化活力始终优于现有的社区感知中心性措施。在百万节点的基础设施网络上，模块化活力的效率是次优方法的8倍以上。这一结果并不适用于社交媒体通信网络，社交媒体通信网络对所有社区感知中心攻击都表现出极强的鲁棒性。这种稳健性表明，以用户为基础的干预措施，以减轻错误信息的传播将是无效的。最后，我们证明了模块化的生命力提供了一种新的方法来社区欺骗。
2021-01-07 cs.SI
Community detection in networks: A user guide
网络社区发现是现代网络科学研究的热点之一。社区或集群通常是顶点的组，它们彼此连接的概率高于与其他组的成员连接的概率，尽管其他模式也是可能的。识别社区是一个定义不清的问题。在基本要素上没有通用的协议，比如社区本身的定义，也没有其他关键问题，比如算法的验证和性能的比较。这造成了一些混淆和误解，破坏了该领域的进展。我们提供了一个导游通过问题的主要方面。我们还指出了流行的方法的优点和缺点，并指导他们的使用。
2016-11-03 cs.IR cs.SI physics.soc-ph
Community detection in bipartite signed networks is highly dependent on parameter choice
本文系统评估了二分符号网络上社区检测方法的有效性，发现无社区时易产生虚假社区，有社区时性能高度依赖参数选择，强调需进行参数稳健性评估或外部验证。
2025-01-27 cs.SI physics.soc-ph stat.ME
Bayesian Modeling of Random Walker for Community Detection in Networks
我们提出了一个生成模型，利用随机游走检测网络中的全局最优社区结构。先进的参数优化算法的马尔可夫链蒙特卡罗方法的基础上开发，以克服EM算法，这已被用于在以前的作品，但有时被困在局部最优值取决于初始条件的局限性。我们将算法应用于合成和真实世界的网络，以检查它们在检测社区的精度和鲁棒性方面的性能。实验结果表明，Gibbs采样器的性能优于以往的方法，特别是在检测重叠社区。随机游走者的马尔可夫动力学是鲁棒地检测最优社区结构的关键。
2019-10-25 cs.SI physics.soc-ph
Urban Analytics: Multiplexed and Dynamic Community Networks
在过去的十年中，城市经历了快速的增长，扩张和社区结构的变化。关键城市基础设施的许多方面都与其所服务的人类社区密切相关。城市社区是由多重重叠的因素组成的，这些因素可以分为文化、宗教、社会经济、政治和地理层面。在本文中，我们回顾了如何利用越来越多的异构移动大数据集来检测社区的互动结构，使用自然语言处理和机器学习技术。一些社区层和交互检测算法，然后审查，特别关注的鲁棒性，稳定性和因果关系的不断发展的社区。更好地了解结构动态和多重关系可以提供有用的信息，为城市规划政策提供信息，并塑造社会耦合的城市基础设施系统的设计。
2018-12-11 cs.SI physics.soc-ph
Community detection on directed networks with missing edges
本文扩展 Flow Stability 框架，利用节点出度的已知不确定性水平，在含缺失链接的加权有向网络中提升社区检测的鲁棒性，并通过合成网络与 Telegram 真实网络验证其可靠性。
2024-10-25 cs.SI physics.soc-ph
nodewatcher: A Substrate for Growing Your own Community Network
社区网络与常规网络的不同之处在于它们的有机增长模式-没有中央规划机构来决定如何建立网络。相反，随着越来越多的人表示有兴趣参与社区并与邻居联系，网络以自下而上的方式增长。参加社区网络的人通常是自由时间有限的志愿者。由于这些因素，使社区网络的管理更简单，更容易为所有参与者是促进其增长的关键组成部分。个别网络的特殊性往往迫使社区开发自己的一套工具和最佳做法，这些工具和做法很难与其他网络共享，也不能很好地相互操作。我们提出了一个新的通用社区网络管理平台nodewatcher，是围绕模块化和可扩展性的核心原则，使其适合重用不同的社区网络。设备使用独立于平台的配置进行配置，nodewatcher可以将其转换为可部署的固件映像，消除任何手动设备配置，减少错误，并使新手维护人员能够参与。嵌入式监控系统可实时监控和验证整个社区网络。我们展示了该系统如何成功地运作在一个实际的社区无线网络，WLAN斯洛文尼亚。
2016-01-11 cs.SI
Community-Invariant Graph Contrastive Learning
Tokyo Institute of Technology（东京工业大学）；The University of Tokyo（东京大学）；RIKEN（理化学研究所）；Tohoku University（东北大学）
本文针对图对比学习中随机增强破坏图社区结构的问题，提出社区不变的图对比学习框架，通过最大化谱变化统一拓扑与特征增强约束，在21个基准数据集上验证了其鲁棒性和优越性。
2024-05-02 cs.LG cs.SI
Using Overlapping Methods to Counter Adversaries in Community Detection
本文将社区检测对抗问题建模为Stackelberg博弈，在七个真实网络上评估发现，攻击者预算充足时重叠社区检测方法显著优于非重叠方法，并分析了鲁棒性与无攻击性能的权衡。
2023-08-06 cs.SI
Community structure: A comparative evaluation of community detection methods
IMT Atlantique；Lab-STICC CNRS UMR 6285
发现复杂网络中的社团结构是一个成熟的领域，因为大量的社区发现方法已经在文献中被介绍。然而，对于实践者来说，确定哪种方法适合深入了解他们所研究的网络的结构信息仍然是非常具有挑战性的。最近的许多努力已经致力于调查社区结构的各种质量分数，但区分不同类型的社区的问题仍然是开放的。在本文中，我们提出了一项比较、广泛和实证的研究，以调查许多最先进和众所周知的社区发现方法正在产生哪些类型的社区。具体来说，我们提供了全面的分析计算时间，社区规模分布，根据他们的优化方案的方法的比较评估，以及比较他们的分割策略，通过验证指标。我们对来自五个不同网络类别的数百个网络的非常大的语料库进行了分析，并提出了对社区发现方法进行分类的方法，帮助潜在用户浏览社区发现的复杂景观。
2019-11-04 cs.LG cs.SI stat.ML
DynBenchmark: Customizable Ground Truths to Benchmark Community Detection and Tracking in Temporal Networks
IMT Atlantique（IMT阿维朗蒂）
本文提出DynBenchmark，一种生成可定制演化社区结构及底层时序网络的基准，用于测试社区检测与跟踪方法，并提供工具以比较真值与算法结果。
2025-10-03 cs.AI cs.SI
Silencer: Robust Community Detection by Silencing of Noisy Pixels
本文提出名为 Silencer 的灵活框架，通过抑制邻接矩阵中噪声像素对损失函数的贡献来提升社区检测的鲁棒性，在六种真实网络及多种噪声条件下表现最佳。
2024-12-23 cs.SI
Vulnerable Connectivity Caused by Local Communities in Spatial Networks
本文通过平面基础设施建模研究空间网络中局部社区对连通鲁棒性的影响，发现强局部社区会削弱鲁棒性，并指出长距离链路可缓解其负面影响。
2025-04-23 cs.SI physics.soc-ph
Robustness modularity in complex networks
Indiana University Network Science Institute（印第安纳大学网络科学研究所）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Luddy School of Informatics, Computing and Engineering, Indiana University（印第安纳大学拉迪信息学、计算与工程学院）
网络社区检测中的一个基本问题是给定网络的模块化程度如何。这通常通过评估网络中检测到的分区的质量来解决。Girvan-Newman（GN）模块化函数是进行此评估的标准方法，但它有许多缺点。最重要的是，它是不清楚的解释，因为该措施可以采取相对较大的值的随机网络分区没有社区。在这里，我们提出了一个新的措施的基础上的鲁棒性的概念：模块性是概率找到平凡的分区时，网络的结构是随机扰动。这个概念可以实现任何聚类算法能够告诉当一个组结构是不存在的。对人工图和真实图的测试表明，鲁棒性模块化可以用来评估和比较不同网络的社区结构的强度。我们还介绍了其他两个质量函数：模块差异，一个适当的归一化版本的GN模块;信息模块，基于信息压缩的距离度量。这两种措施都与鲁棒性模块化密切相关，也是有前途的选择。
2021-10-05 cs.LG cs.SI physics.data-an
Community Detection in Networks with Node Attributes
社区发现算法是一种基本的工具，它使我们能够揭示网络中的组织原则。当检测社区时，有两种可能的信息源可以用途：网络结构，以及节点的特征和属性。即使社区围绕具有共同边缘和共同属性的节点形成，通常，算法仅关注这两种数据形式之一：社区发现算法传统上仅关注网络结构，而聚类算法大多仅考虑节点属性。在本文中，我们开发的社区从边缘结构和节点属性（CESNA），一个准确的和可扩展的算法，用于检测重叠的社区在网络中的节点属性。CESNA对网络结构和节点属性之间的相互作用进行统计建模，这导致更准确的社区发现以及在网络结构中存在噪声的情况下改进的鲁棒性。CESNA在网络规模上具有线性运行时间，并且能够处理比可比方法大一个数量级的网络。最后，CESNA还通过查找每个社区的相关节点属性来帮助解释检测到的社区。
2014-01-28 cs.SI physics.soc-ph
Community detection based on structural balance in signed networks
针对符号网络社区检测忽视负链接稳定作用的问题，提出一种基于模体、量化链接局部结构平衡重要性的方法，可识别紧密且和谐稳定的社区，并在合成与真实网络中表现出更高性能和强鲁棒性。
2023-08-15 cs.SI physics.soc-ph
Simplify to Amplify: Achieving Information-Theoretic Bounds with Fewer Steps in Spectral Community Detection
Thayer School Of Engineering（泰勒工程学校）；Dartmouth College（达特茅斯学院）
提出一种简化谱算法，通过去除预处理步骤直接利用邻接矩阵谱特性，在双社区随机块模型中实现更紧的误差界，接近信息论极限。
2026-09-04 cs.LG cs.SI
Community detection of hypergraphs by Ricci flow
针对超图社区检测因节点高阶相互作用而复杂的问题，该研究定义超图Ricci流并证明其长时间存在性，提出基于该流的HyperRCD方法，实验验证其鲁棒性增强且性能具竞争力。
2025-05-18 cs.SI
MLP-Enhanced Nonnegative Tensor RESCAL Decomposition for Dynamic Community Detection
College of Computer and Information Science Southwest University（西南大学计算机与信息科学学院）
本文提出MLP-NTD模型，通过引入MLP解耦分解秩与社区数量，提升动态社区检测的准确性和鲁棒性。
2026-01-19 cs.SI
Robust network community detection using balanced propagation
标签传播已被证明是一种非常快速的方法，用于检测大型复杂网络中的社区。此外，由于其简单性，它也是目前文献中最常用的算法之一。尽管随后取得了各种进展，但算法的一个重要问题尚未得到妥善解决。随机（节点）更新顺序内的算法严重妨碍其鲁棒性，因此也确定社区结构的稳定性。我们注意到，更新顺序可以被看作是增加从某些节点的传播偏好，并提出了一个平衡的传播，抵消了利用节点平衡器引入的随机性。我们已经评估了所提出的方法与种植分区的合成网络，并在几个现实世界的网络与社区结构。结果证实，平衡传播是显着更强大的标签传播，当社区检测的性能甚至得到改善。因此，平衡传播保留了标签传播的高可扩展性和算法简单性，但提高了其稳定性和性能。
2011-06-27 cs.SI physics.data-an physics.soc-ph
Refinement for community structures of bipartite networks
由二分节点集组成的二分网络在自然界和社会中普遍存在。部分为了简单起见，许多研究都集中在他们的投影到他们的unipartite版本，其中只需要关心一个单一类型的节点。然而，当涉及到社区等中尺度结构时，适当地纳入先验结构限制（如二元性）就变得更加重要。在本文中，作为一个案例研究，我们采取的社区结构的二分网络在不同的尺度上检查的信息量的二分性编码的社区检测过程。特别是，我们报告的鲁棒性的可靠性检测社区的一致性的基础上，通过比较检测算法与或不考虑二元性。从嵌入指定社区的模型网络和真实网络的分析中，我们发现，考虑到二元性的社区检测明显比没有这样的结构信息的社区结构更强大。这证明了定制的社区检测算法的必要性，通过编码任何信息是已知的网络的利益，并在同一时间，提出了一个有趣的问题，估计定量的信息量从这样的定制的可能性。
2021-12-30 cond-mat.stat-mech cs.SI physics.soc-ph
Synwalk -- Community Detection via Random Walk Modelling
Graz University of Technology（格拉茨技术大学）；Know-Center GmbH（Know-Center 有限公司）
复杂系统在日常生活中无处不在，抽象地表示为网络。分析和理解这些系统需要社区发现工具等。由于不可能存在单一的最佳社区发现算法，因此期望跨各种各样的问题设置的鲁棒性。在这项工作中，我们提出了Synwalk，一个基于随机行走的社区发现方法。Synwalk建立在坚实的理论基础上，通过从一类候选随机游走中合成给定网络引起的随机游走来检测社区。我们彻底验证了我们的方法的有效性合成和经验网络，分别，并比较Synwalk的性能与性能的信息地图和Walktrap。我们的研究结果表明，Synwalk在具有不同混合参数和度分布的网络上具有鲁棒性。我们在具有高混合参数的网络上优于Infomap，在具有许多小社区和低平均度的网络上优于Infomap和Walktrap。我们的工作有可能激发进一步发展的社区发现通过合成的随机游动，我们为未来的研究提供了具体的思路。
2021-01-21 cs.LG cs.SI physics.soc-ph
Router-level community structure of the Internet Autonomous Systems
互联网是由路由设备连接在它们之间，并组织成独立的管理实体：自治系统。不同类型的自治系统（如大型连接提供商、互联网服务提供商或大学）的存在，加上地理和经济上的限制，使互联网成为一个复杂的模块化和层次化网络。这种组织反映在互联网拓扑的许多属性中，如其高度聚类和鲁棒性。在这项工作中，我们研究了互联网路由器级图的模块化结构，以评估在何种程度上自治系统满足一些已知的社区结构的概念。我们发现，互联网的模块化结构是丰富得多，可以通过当前的社区发现方法，这是严重影响的分辨率限制和自治系统的异质性所捕获的。在这里，我们克服了这个问题，使用多分辨率检测算法结合一个小样本的节点。我们还讨论了最近的工作，根据我们的结果社区结构。
2015-03-27 cs.DS cs.NI cs.SI
Convex Relaxation Methods for Community Detection
本文综述了社区发现的凸优化方法的最新理论进展。我们介绍了一些重要的理论技术和结果，为建立各种统计模型下的凸社区检测的一致性。特别是，我们讨论了基于原始和对偶分析的基本技术。我们还提出的结果表明，凸社区检测的几个独特的优势，包括对离群节点的鲁棒性，一致性弱的不确定性，和自适应异构度。本调查并不打算对关于这一快速增长的主题的大量文献进行全面概述。相反，我们的目标是提供一个在这一领域的显着的最新发展的大图片，并使调查访问到广泛的受众。我们希望这篇简要的文章可以作为一个介绍性的指导读者谁有兴趣在使用，设计和分析凸松弛法在网络分析。
2018-09-30 cs.SI math.ST stat.ML
Community detection and anomaly prediction in dynamic networks
提出一种整合社区结构作为常规行为基础模型的动态网络异常检测方法，利用马尔可夫框架和潜在变量识别异常，在合成、真实数据集及足球转会案例中表现良好，提升复杂网络异常检测的可解释性与鲁棒性。
2024-11-27 cs.SI
A Unified Community Detection, Visualization and Analysis method
社会图中的社区发现一直以来都是研究者们关注的热点。随着社交网络在互联网上的广泛应用，它已成为一个重要的研究领域。大多数贡献集中在优化所谓的模块化功能的算法的定义。首先，兴趣仅限于单部图输入和分区社区输出。最近，二部图，有向图和重叠社区已被研究。很少有贡献同时包含这三种类型的节点。在本文中，我们提出了一种方法，统一的社区检测的三种类型的节点，并在同一时间合并分割和重叠的社区。此外，结果可视化的方式，他们可以分析和语义解释。为了验证，我们在众所周知的简单基准上实验这种方法。然后在三种情况下将其应用于实际数据。在两个带有标记的人的照片集的例子中，我们揭示了社交网络。第二类应用程序特别令人感兴趣。在将我们的方法应用于由神经科医生团队提供的人脑纤维束成像数据之后，我们根据其他众所周知的聚类方法产生白色纤维簇。此外，我们的方法可视化重叠集群可以更好地理解神经学家团队的结果。这些最后的结果开辟了应用社区发现方法在其他领域，如数据分析与原始增强性能的可能性。
2014-02-25 cs.SI physics.data-an physics.soc-ph
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
Hierarchical mutual information for the comparison of hierarchical community structures in complex networks
对复杂网络的社区和模块结构的定量表征的追求产生了各种方法和算法来对不同的网络进行分类。然而，目前尚不清楚，如果这样的方法提供一致的，强大的和有意义的结果时，考虑作为一个整体的层次结构。部分问题是缺乏一个相似性的措施，比较分层社区结构。在这项工作中，我们通过引入{ \it层次互信息}，这是一个传统的互信息的推广，并允许比较层次分区和层次社区结构的贡献。分层互信息的{ \it规范化}版本应该与传统的规范化互信息类似。在这里，分层互信息的正确行为是证实了大量的数值实验电池。实验进行人工层次，人工和经验网络的层次社区结构。此外，实验说明了层次互信息的一些实际应用。即对不同社团发现方法的比较，以及对网络层次模块结构的一致性、鲁棒性和时间演化性的研究。
2016-01-07 cond-mat.dis-nn cs.SI math-ph
A Variance-aware Multiobjective Louvain-like Method for Community Detection in Multiplex Networks
本文主要研究多路复用网络中的社区发现问题，即，具有多个层的网络具有相同的节点集并且没有层间连接。特别是，我们寻找可以在各个层中一致地被识别为社区的节点组。为此，我们提出了一种新的方法，通过（a）同时更新各层模块化分数的平均值和方差，以及（b）根据基于过滤器的多目标优化方案重新制定贪婪搜索过程，来推广Louvain方法。与许多以前的模块化最大化策略，依赖于某种形式的聚合的各个层，我们的多目标方法的目的是最大限度地提高每个层上的个人模块化同时。我们报告的合成和现实世界的网络实验，显示的有效性和鲁棒性的建议的策略都在信息的情况下，其中所有层显示相同的社区结构，并在嘈杂的情况下，其中一些层只代表噪音。
2022-09-23 cs.SI
A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection
Laboratoire des Mathématiques et Sciences Appliquées (LMSA), Université de Ghardaia（应用数学和科学实验室（LMSA），加兹达亚大学）；Faculty of Sciences and Technology, Université de Ghardaia（科学与技术学院，加兹达亚大学）
本文提出一种结合图多头注意力与模块度最大化的抗噪半监督图自编码器，通过融合结构、属性和先验知识，在60%特征损坏下仍能稳健检测重叠社区并优于现有方法。
2025-05-09 cs.AI cs.SI
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
Beijing Information Science and Technology University（北京信息科技大学）；Hong Kong Baptist University（香港浸会大学）
针对属性网络社区检测忽视属性语义相似性和介观结构的问题，提出基于异构图注意力网络的HACD模型，通过属性级注意力与社区成员函数提升检测鲁棒性，实验优于现有方法。
2024-11-04 cs.AI cs.GR cs.LG
