LinkRank: Finding communities in directed networks
为了识别有向网络中的社区,我们提出了一种广义形式的模块化的有向网络中引入一个新的数量LinkRank,它可以被认为是链接的PageRank。这种推广与无向网络中的原始模块性是一致的,并且针对无向网络开发的模块性优化方法可以通过优化我们的新模块性而直接应用于有向网络。最后,本文还提出了一个模型网络来验证我们的方法,该模型网络可以作为进一步社区研究的基准网络。我们的方法应该在基于引用或参考的有向网络中有效地找到社区。
2009-11-23 cond-mat.stat-mech physics.soc-ph
Block-corrected Modularity for Community Detection
针对复杂网络中未知属性驱动的社区易被已知块结构掩盖的问题,提出块校正模块度,搭配谱方法和Louvain类微调算法优化,在合成和真实引用网络上均有效。
2025-08-01 cond-mat.stat-mech cs.SI physics.soc-ph
Modularity-like objective function in annotated networks
我们确定了模块化的目标函数,其优化相当于注释网络中的极大似然。我们证明了类模块目标函数是模块度和条件熵的线性组合。与统计推断方法相比,在我们的方法中,元数据的影响是可调节的,当它的影响足够强时,元数据可以恢复。相反地,当其较弱时,检测可对应于另一分区。在两者之间,有一个过渡。本文提供了一个扩展模块化方法的范围的概念。
2017-01-16 cs.SI physics.soc-ph
Modularity and Projection of Bipartite Networks
研究了二分网络上基于模块度最大化的社区发现问题。特别是,我们感兴趣的投影操作,使用一个节点集的二分网络,以推断节点之间的连接,在其他设置,互动与社区发现。我们首先定义了一个概念的模块化适当的投影二分网络,并概述了一个算法,最大化它,以划分网络。使用真实和合成网络,我们比较了由五种不同算法发现的社区,其中每种算法最大化不同的模块化函数,并看到二分结构的不同方面。基于这些结果,我们提出了一个简单的启发式寻找社区的二分网络。
2019-08-07 cs.SI physics.soc-ph
Modularity affects the robustness of scale-free model and real-world social networks under betweenness and degree-based node attack
在本文中,我们研究模型和现实世界的社交网络的模块化如何影响其鲁棒性和节点攻击(删除)策略的有效性的基础上,节点度(ID)和节点介数(IB)。我们建立了Barabasi-Albert模型的网络与不同的模块化的一个新的自组织算法,重新布线链接形成网络的社区结构。我们使用最大连通分量(LCC)跟踪网络的鲁棒性。我们发现,较高的模块化水平降低了模型网络的鲁棒性下的两种攻击策略,即具有较高的社区结构的模型网络显示出更快的LCC破坏时,节点删除。非常有趣的是,我们发现,当模型网络呈现非模块化结构或低模块化时,基于度(ID)的节点攻击策略比基于介数的节点攻击策略(IB)更有效。相反,在模型网络呈现较高模块化的情况下,IB策略显然成为最有效的分割LCC。最后,我们研究了模块化指标(Q)评估的网络结构的模块性如何影响的鲁棒性和攻击策略的有效性在12个现实世界的社交网络。我们发现模块度Q与真实世界社交网络在IB节点攻击策略下的鲁棒性呈负相关(p值< 0.001)。这一结果表明,具有较高模块性(即具有较高社区结构)的真实网络可能对基于betwenness的节点攻击更脆弱。本文的研究结果揭示了模块性和社团结构对网络鲁棒性的作用,对网络中节点攻击策略的选择具有一定的指导意义。
2020-09-09 cond-mat.dis-nn physics.soc-ph
Z-score-based modularity for community detection in networks
识别网络中的社区结构是网络科学中特别感兴趣的问题。Newman和Girvan [Phys.Rev.E69,026113(2004)]引入的模块性是网络中社区发现的最流行的质量函数。在这项研究中,我们确定了一个问题的概念模块化,并提出了解决方案,以克服这个问题。具体来说,我们得到了一个新的质量函数的社区发现。我们将该函数称为Z-模块性,因为它测量了给定划分的Z分数与社区内边数的比例。我们的理论分析表明,Z-模块减轻了分辨率限制的原始模块在某些情况下。使用人工网络和著名的真实世界网络的计算实验证明了所提出的质量函数的有效性和可靠性。
2015-01-08 cs.SI physics.soc-ph
Walk modularity and community structure in networks
在过去的十年中,模块化最大化一直是发现生物学、计算、社会科学、统计力学等领域中具有实际意义的网络社区结构的最广泛使用的方法之一。模块性是一个质量函数,它测量聚类中发现的边缘数量减去基于随机机会统计期望找到的边缘数量之间的差异。我们提出了一个自然的泛化模块化的基础上的差异,实际和预期的数量之间的步行集群,我们称之为步行模块化。步行模块化可以用矩阵形式表示,社区检测可以通过寻找步行模块化矩阵的前导特征向量来执行。我们在合成网络和真实网络上演示了社区检测,发现与传统的模块化最大化相比,步行模块化最大化返回了显着改善的结果。
2014-01-27 cs.SI physics.data-an physics.soc-ph
Advanced modularity-specialized label propagation algorithm for detecting communities in networks
最近提出了一种用于网络社区检测的模块化标签传播算法(LPAm)。这种有前途的算法提供了一些理想的品质。然而,LPAm有利于社区划分,其中所有社区在总度上都是相似的,因此它很容易陷入模块化空间中的局部最大值。为了避免局部最大值,我们采用了多步贪婪凝聚算法(MSG),可以合并多对社区在同一时间。结合LPAm和MSG,我们提出了一种先进的模块化专用标签传播算法(LPAm+)。实验表明,LPAm+成功地检测到社区具有更高的模块化值比以往任何时候都报告在两个常用的现实世界的网络。此外,LPAm+在准确性和速度之间提供了一个公平的折衷。
2010-03-19 physics.soc-ph
Network Clustering via Maximizing Modularity: Approximation Algorithms and Theoretical Limits
许多社交网络和复杂系统被发现自然地划分为密集连接的节点的集群,称为社区结构(CS)。寻找CS是网络科学中一个基本而又具有挑战性的课题。解决这个问题的最流行的方法之一是最大化纽曼的模块性。然而,我们对如何近似最大模块度以及找到具有可证明保证的社区结构的含义了解甚少。本文明确地解决了模块聚类的可逼近性问题,证明了除非P = NP,否则在任何(乘性)正因子内逼近该问题是困难的。然而,我们提出了第一个加性近似算法的模块化聚类与一个常数的因素。此外,我们提供了一个严格的证明,CS的模块性任意接近最大模块性QOPT可能承担没有相似的最大模块性的最佳CS。因此,即使找到了具有接近最优模块性的CS,也需要其他验证方法来确认结构的重要性。
2016-02-02 cs.DS cs.SI physics.soc-ph
A Network Perspective on Software Modularity
模块化是软件系统的一个理想特性。在这篇文章中,我们建议使用复杂网络科学的定量方法来估计大型开源Java项目的依赖网络的模块化之间的一致性和它们在Java包中的分解。在这篇文章中提出的结果表明,我们的方法提供了一个有前途的和合理的定量方法与潜在的影响软件工程过程。
2013-02-28 cs.SE cs.SI nlin.AO
MODULAR: Software for the Autonomous Computation of Modularity in Large Network Sets
生态系统可以被看作是个体、物种或栖息地斑块之间相互作用的网络。许多生态网络的一个关键特征是它们被组织成模块,这些模块是元素的子集,这些元素之间的联系比网络中其他元素之间的联系更紧密。我们引入MODULAR来执行快速和自主的计算模块化的网络集。MODULAR读取一组具有矩阵或边列表的文件,这些矩阵或边列表表示单部或二部网络,并使用先前在生态网络研究中使用的两种不同的模块性度量来识别模块。为了找到最大化模块化的网络分区,该软件为用户提供了五种优化方法。我们还包括两个最常见的零模型,用于生态网络的研究,以验证如何通过最大化每个度量发现的模块性不同于理论基准。
2013-04-09 cs.SI physics.soc-ph q-bio.QM
Combinatorial approach to Modularity
社区是具有高于平均密度的内部连接的节点集群。它们的检测对于更好地理解网络中存在的结构和层次结构具有重要意义。模块化已经成为社区检测领域的标准工具,同时提供了一种评估分区的方法,并通过最大化它来找到社区。在这项工作中,我们从组合的角度来研究模块性。我们的分析(作为模块化定义)依赖于使用的配置模型,一种技术,给定一个图产生一系列的随机副本保持度序列不变。我们开发了一种方法,列举了空模型分区,并可以用来计算模块度的概率分布函数。我们的理论允许深入调查的几个有趣的功能模块化,如其分辨率限制和统计的分区,最大化it.Additionally,极端的随机图分区的模块化的概率的研究开辟了道路的定义网络分区的统计意义。
2010-08-04 cond-mat.stat-mech physics.soc-ph
Scalable detection of statistically significant communities and hierarchies, using message-passing for modularity
模块化是衡量社区结构的一个常用指标。然而,最大化模块性可能会导致许多具有几乎相同模块性的竞争分区,这些分区彼此之间的相关性很差。它还可以在不存在的随机图中产生虚幻的“社区”。我们解决这个问题,通过使用的模块化作为一个哈密顿量在有限的温度,并使用一个有效的信念传播算法,以获得共识的许多分区具有高模块化,而不是寻找一个单一的分区,最大化it.We分析和数值计算表明,该算法的工作一直到可检测性过渡的随机块模型所产生的网络。它在现实世界的网络中也表现良好,揭示了一些网络中的大型社区,而以前的工作声称不存在社区。最后,我们表明,通过递归地应用我们的算法,细分社区,直到没有显著的子社区可以找到,我们可以更有效地检测在现实世界中的网络层次结构比以前的方法。
2014-12-27 cond-mat.stat-mech cs.SI physics.soc-ph
Non-Supervised Community Detection and Hierarchical Modularity Estimation in Complex Networks
本文扩展了一种非监督层次聚类检测和层次模块度估计方法到复杂网络,通过边介数中心性和平均连接准则得到树状图,进而实现社区检测和层次模块度估计,并在分形网络和素数划分网络上展示了有前景的结果。
2026-08-04 physics.soc-ph
On a Connection Between Small Set Expansions and Modularity Clustering in Social Networks
在本文中,我们探讨了两个看似不同的问题之间的连接从两个不同的领域:在独特的游戏猜想研究的小集扩展问题,和一个流行的社区发现方法的社交网络被称为模块化聚类方法。我们表明,一个次指数时间算法的小集合扩展问题导致一个次指数时间常数因子近似的模块化聚类问题的一些硬输入实例。
2014-02-11 cs.CC 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
Extending modularity by capturing the similarity attraction feature in the null model
模块性是一种广泛使用的衡量网络社区结构的指标。模块性的定义涉及到观察到的网络中的社区内边缘与等效随机网络中的边缘数的比较。这个等效的随机网络称为空模型,它可以作为参考。为了使比较有意义,零模型应该描述被观察网络的一些特征。然而,模块化的原始定义中的空模型是不切实际的混合,在这个意义上,任何节点都可以链接到任何其他节点,而没有偏好,只有连接性才重要。因此,它不能很好地代表现实世界的网络。许多现实世界网络的共同特征是“相似吸引”,即,边倾向于链接到彼此相似的节点。我们提出了一个空模型,捕捉相似性吸引力功能。这个空模型使我们能够创建一个框架,用于定义一个适合各种网络的Dist-Modularity家族,包括具有节点附加信息的网络。我们证明了Dist-Modularity在不同尺度上识别社区是有用的。
2013-02-12 cs.SI physics.data-an physics.soc-ph
Modularity based community detection in heterogeneous networks
异构网络是由不同类型的节点和链接这些节点的多种类型的边组成的网络。虽然社区发现已被广泛开发为分析仅包含一种类型节点的网络的有用技术,但针对异构网络开发的社区发现技术却很少。在本文中,我们提出了一个基于模块化的社区发现框架的异构网络。与现有的方法不同,所提出的方法具有灵活性,可以将社区的数量视为未知量。我们描述了一个Louvain型的最大化方法找到社区结构,最大化的模块化功能。我们的仿真结果表明,所提出的方法优于现有的方法。此外,所提出的模块度函数是一致的异构随机块模型框架下。DBLP四区域数据集和MovieLens数据集的分析证明了该方法的有效性。
2018-03-21 cs.SI physics.soc-ph stat.ME
Modularity measure of networks with overlapping communities
在本文中,我们引入了一个非模糊的措施,已被设计成重叠社区的网络节点的分区排名。这样的措施可以是有用的量化集群检测到的各种方法,并在寻找重叠的社区结构的优化方法。文中讨论了重叠模块分离的理论问题,并给出了一个可能的应用实例。
2009-10-27 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
Revisiting Resolution and Inter-Layer Coupling Factors in Modularity for Multilayer Networks
多层网络的模块性,也称为多层模块性,是分辨率因子和层间耦合因子的参数。前者是有用的表达层特定的相关性和后者量化的强度节点连接跨网络的层。然而,这些参数可以任意设置,从而丢弃图或社区级别的任何结构信息。其他问题与无法正确建模动态网络所需的层上的顺序关系有关。在本文中,我们提出了一个新的多层网络的模块化定义,旨在克服现有的多层模块化的主要问题。我们修改的作用和语义的层特定的分辨率和层间耦合条款,并定义无参数无监督的方法,他们的计算,通过使用信息的层内和层间结构的社区。此外,我们制定的多层模块化是一般足以说明一个可用的层的顺序和层耦合的相关约束。使用三种最先进的多层社区发现方法和九个真实世界的多层网络进行实验评估。结果表明,我们的模块化的意义,揭示了分辨率和层间耦合功能的不同组合的影响。这项工作可以铺平道路的发展新的优化方法发现社区结构的多层网络。
2017-09-21 cs.SI physics.soc-ph
Relating modularity maximization and stochastic block models in multilayer networks
描述网络中的大规模组织,包括多层网络,是网络科学中最突出的主题之一,对许多应用都很重要。一种类型的中尺度特征是群落结构,其中节点集内部密集连接,但与其他密集节点集稀疏连接。社区发现的两种最流行的方法是最大化被称为“模块化”的目标函数和使用随机块模型执行统计推断。推广工作纽曼单层网络(物理评论E 94,052315),我们表明,在多层网络中,最大化模块化是等价的,在一定条件下,最大化后验概率的社区分配下,适当选择的随机块模型。我们推导出各种类型的多层结构,包括时间,多路复用和多级网络的这种等价的版本。我们考虑的情况下,其中的关键参数是恒定的,以及它们在不同的层;在后一种情况下,这产生了一个新的,层加权版本的模块化函数。我们的研究结果还有助于解决一个长期存在的困难,多层模块化最大化算法,这需要规范的两套调谐参数,在实践中很难选择。我们展示了如何以一种基于经验的方式进行参数选择,并证明了我们的方法在合成网络和经验网络上的有效性。
2018-12-06 cs.SI math.PR physics.data-an
Multi-scale Modularity in Complex Networks
我们专注于多尺度网络中的社区检测,即由不同层次的组织和模块存在于不同尺度的网络。它首先表明,基于模块化的方法是不合适的,以发现经验网络中的模块,主要是因为模块化优化有一个固有的偏见对分区具有特征数量的模块,这可能是不兼容的模块化组织的系统。我们主张使用更灵活的质量函数,将分辨率参数,使我们能够揭示系统的自然尺度。不同类型的多分辨率质量函数的描述和统一的划分问题,从动态的观点。最后,通过使用未覆盖分区的鲁棒性的补充措施来选择分辨率参数的重要值。该方法说明了一个基准和经验网络。
2010-04-24 cond-mat.stat-mech nlin.AO physics.data-an
Optimal network modularity for information diffusion
本文利用线性阈值模型研究了社区结构对信息扩散的影响。我们的研究结果表明,模块化结构可能有反直觉的影响,信息扩散时,社会强化。我们发现,强大的社区可以促进全球扩散,通过加强当地,社区内的传播。使用分析方法和数值模拟,我们证明了存在一个最佳的网络模块化,全球扩散需要最少数量的早期采用者。
2014-09-18 cs.SI physics.soc-ph
Modularity in Multilayer Networks using Redundancy-based Resolution and Projection-based Inter-Layer Coupling
多层网络的模块性的广义版本,也称为。多层模块化的特征在于两个模型参数,即分辨率因子和层间耦合因子。前者对应于特定于层的相关性的概念,而层间耦合因子表示跨网络层的节点连接的强度。尽管这种方法的潜力,这两个参数的设置可以任意选择,而不考虑从多层网络的拓扑结构,以及从一个可用的社区结构的具体特征。此外,多层模块化的目的是不显式建模的顺序关系的层,这是动态网络的优先重要性。本文旨在通过引入一种新的多层网络模块化公式来克服多层模块化的主要局限性。我们修改的决议和层间耦合因素的基础上提供的信息,从层内和层间结构的多层社区的作用和语义。此外,我们提出的多层模块化是一般性的,足以考虑网络层的排序和它们对层耦合的约束。使用最先进的多层社区发现方法在合成和真实世界的多层网络上进行了实验。所得到的结果表明,所提出的模块化的意义,揭示了不同的分辨率和层间耦合功能的组合的效果。这项工作也代表了新的优化方法的开发在多层网络中的社区发现的起点。
2019-06-27 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
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
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
Modularity in Complex Multilayer Networks with Multiple Aspects: A Static Perspective
复杂系统通常用网络来描述,网络捕捉实体之间交互的拓扑结构。为了更好地理解系统中实体所扮演的角色,需要揭示系统的底层社区结构。近年来,具有不同类型或可随时间变化的实体之间的相互作用的系统吸引了越来越多的研究关注。然而,针对多层网络中的关键问题--社区发现--的算法仍然有限。在这项工作中,我们首先介绍了多方面的多层网络模型表示,这是灵活的各种网络。然后基于该模型,从静态角度推导出网络中社区发现的目标函数多层模块度,作为评价多层网络中社区发现质量的一个指标。它通过指出将导致高模块化分数的特定类型的社区,使我们能够更好地理解模块化的本质。我们还提出了一种称为mSpec的谱方法,用于基于多层网络的超邻接表示优化所提出的模块度函数。在脑电网络上的实验和在几个经验多层网络上的比较结果证明了该方法的可行性和可靠性。
2016-05-20 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
A Well-Behaved Alternative to the Modularity Index
本文回顾了模块化指数,并提出了一个替代指标的质量划分成子集的网络。
2011-08-23 cs.SI physics.soc-ph
Community detection on complex networks based on a new centrality indicator and a new modularity function
社区发现是网络研究中一个重要而又具有挑战性的课题。目前,大量的注意力集中在本地的社区发现方法。其中,使用贪心算法的社区发现通常从被称为网络的中心节点的局部基本节点的识别开始;社区随后通过优化模块度函数从这些中心节点扩展。在本文中,我们提出了一个新的中心节点指标和一个新的模块度函数。我们的中心节点指标,我们称之为本地中心性指标(LCI),是一样有效的著名的全球最大程度的指标和本地最大程度的指标,在某些特殊的网络结构,LCI表现得更好。另一方面,我们的模块化函数F2克服了某些缺点,如分辨率限制问题,在以前的文献中提出的模块化函数。结合贪心算法,LCI和F2使我们能够为真实世界的网络和模拟的基准网络识别正确的社区结构。基于归一化互信息(NMI)的评估表明,我们的社区发现方法与基于LCI和F2的贪心算法执行优于许多其他方法。因此,我们在本文中提出的方法是潜在的值得注意的。
2020-03-27 cs.SI physics.soc-ph
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
Detection of Complex Networks Modularity by Dynamical Clustering
基于相位振荡器的簇去同步特性,提出了一种复杂网络中模块检测与识别的有效方法。该算法的性能进行了测试,在计算机生成的和真实世界的网络,其模块化结构是已知的或已通过其他方法研究。该算法达到了很高的精度,特别是当模块单元是非常混合的,很难检测到的其他方法,与一个通用的图形与$N$节点和$K$链接的计算工作量${\cal O}(KN)$。
2007-03-30 cond-mat.stat-mech physics.comp-ph physics.soc-ph
Mining for Geographically Disperse Communities in Social Networks by Leveraging Distance Modularity
参与者占据地理空间位置的社交网络在军事、情报和警务行动中普遍存在,如反恐、反叛乱和打击有组织犯罪。这些网络往往来自各种情报来源。发现地理上分散的社区是因为需要查明更高级别的组织结构,例如向地理上分散的各种恐怖主义小组提供支助的后勤小组。我们将Newman-Girvan模块化的一个变体应用于这个问题,称为距离模块化。为了解决这个问题,找到地理上分散的社区,我们修改了著名的鲁汶算法找到分区的网络,提供接近最佳的解决方案,这个数量。我们将该算法应用于来自两个现实世界的社交网络和恐怖主义网络数据集的大量样本,其节点具有相关的地理空间位置。我们的实验表明,这是一种有效的方法,并强调各种实际的考虑,当应用该算法的距离模块化最大化。一些军事、情报和执法组织正在与我们合作,进一步测试和部署这一新兴应用的软件。
2013-05-16 cs.SI physics.soc-ph
Modularity functions maximization with nonnegative relaxation facilitates community detection in networks
在这里,我们表明,最大化一个家庭的定量功能,包括模块化(Q-措施)和模块密度(D-措施),社区检测的问题可以统一理解为一个组合优化涉及的矩阵称为模块化拉普拉斯算子的轨迹。我们在图聚类问题中引入了非负约束,并设计了有效的算法来优化新的目标,而不是使用传统的谱松弛算法。在明确的非负约束条件下,我们的解决方案非常接近理想的社区指标矩阵,并可以直接分配到社区的节点。解的近正交列可以重新表示为对应节点属于每个社区的后验概率。因此,所提出的方法可以用来识别模糊或重叠的社区,从而有利于理解网络的内在结构。实验结果表明,我们的新算法一致,有时显着,优于传统的谱松弛方法。
2011-08-30 cs.SI physics.soc-ph
Fast and accurate determination of modularity and its effect size
提出了一种复杂网络社区发现的快速谱算法。我们的方法通过几个细化步骤的相互作用,包括凝聚和分裂的模块化的最大值的分区搜索。我们通过将其应用于几个真实世界的基准网络来验证算法的准确性。在所有这些,我们的算法执行以及或优于任何其他已知的多项式计划。这使我们能够广泛地研究Erdens-Rényi网络集合中的模块度分布,产生包含有限大小校正的均值和方差的理论预测。我们的工作提供了一种方法来准确地估计模块化的效果大小,提供了一个$z$分数测量它,并使网络与不同数量的节点和链接的信息量更大的比较。
2014-12-29 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
Optimal modularity in complex contagion
在本章中,我们将应用上一章介绍的理论框架来研究社会网络的模块化结构如何影响复杂传染病的传播。特别是,我们专注于最佳模块化的概念,预测全局级联的发生时,网络表现出恰到好处的模块化。在这里,我们通过假设多个社区的存在和种子在网络中的均匀分布来概括研究结果。最后,我们对最佳模块化制度中级联的时间演变提供了一些见解。
2018-05-31 cs.SI physics.soc-ph
Party Polarization in Congress: A Network Science Approach
我们使用网络科学的模块化概念来衡量美国国会的极化。模块化提供了一个概念上明确的衡量两极分化,揭示了相关群体的数量和群体间分歧的强度,而不对政党制度的结构或立法者效用的形状进行限制性假设。我们发现,在整个历史上,政党对国会集团的影响差异很大,现有的措施低估了两极分化的时期与薄弱的政党结构。我们表明,模块化是一个重要的预测多数党的变化,营业额是更普遍的中等水平的模块化。我们发现,两个变量与模块化,所谓的“分裂”和“团结”,是重要的预测连任成功的个别众议院议员。我们的研究结果表明,模块化可以作为一个早期警告不断变化的群体动态,这是反映在党的标签的变化。
2011-07-25 physics.soc-ph
Modularity promotes epidemic recurrence
传染病过程的长期演变在很大程度上取决于接触网络的结构。经验证据表明,人类群体表现出强大的社区组织,我们在这里调查如何影响这种介观配置的流行病复发的可能性。通过对真实社交网络的数值模拟和使用谱方法的理论论证,我们证明了高度传染性的疾病,否则会迅速消失,可以无限期地持续接触网络中的模块化的最佳范围。
2016-11-08 cs.SI physics.soc-ph q-bio.PE
Formation of Modularity in a Model of Evolving Networks
模块化结构在各种社会和生物网络中很常见。然而,它的动力起源仍然是一个悬而未决的问题。在这项工作中,我们建立了一个动力学模型来描述社会网络的演化。基于对真实社交网络的观察,我们在模型中引入了一种根据局部动态的链接创建/删除策略。因此,动力学和拓扑结构的共同进化自然决定了网络的性质。研究发现,当耦合强度较小时,网络系统不能达到任何同步,网络拓扑结构是同构的。有趣的是,当耦合强度足够大时,网络系统自发地形成具有不同动力学状态的社区。同时,网络拓扑结构变得异构,采用模块化结构。进一步证明了在一定的参数范围内,所形成的网络的度和社区规模都服从幂律分布,并且网络是连续的。这些结果与许多经验网络的特征相一致,有助于理解复杂网络中模块性的形成机制。
2011-08-18 cs.SI nlin.AO physics.soc-ph
Community Detection via Maximization of Modularity and Its Variants
在本文中,我们首先讨论了模块化(Q)的定义作为衡量社区质量,然后我们回顾了模块化最大化的方法,在过去的十年中用于社区检测。然后,我们讨论了模块化优化的两个相反但共存的问题: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,大社区而不是小社区(所谓的分辨率限制问题)。接下来,我们概述了几个社区质量指标提出解决分辨率限制问题,并讨论模块化密度(Qds),同时避免了两个问题的模块化。最后,我们介绍了两种新的微调社区检测算法,迭代尝试通过分裂和合并给定的网络社区结构,以提高社区质量的测量。其中第一种称为微调Q,基于模块性(Q),而第二种基于模块性密度(Qds),表示为微调Qds。然后,我们比较了贪婪算法的模块化最大化(表示为贪婪Q),微调Q,微调Qds在四个真实的网络,也在经典的集团网络和LFR基准网络,其中每一个都是由广泛的参数实例化。结果表明,在所讨论的三种算法中,微调量子点是最有效的。此外,我们表明,微调量子点可以应用到其他算法检测到的社区,以显着改善他们的结果。
2015-07-02 cs.SI physics.soc-ph
Modularity-based selection of the number of slices in temporal network clustering
本章探讨了在时序网络聚类中,当使用广义模块度识别聚类时,如何选择网络切片数量的问题。
2023-11-24 cs.SI physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区,使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚,因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘,我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点,我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时,从局部观点来看,它似乎是最佳选择。我们使用局部最优边缘来定义算法:同时合并由局部最优边缘连接的所有社区对,这将增加模块化,在每一步之后重新确定局部最优边缘,并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络,证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法,描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn 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
Communities and bottlenecks: Trees and treelike networks have high modularity
人们在理解复杂网络的模块化本质方面做了很多努力。社区,也称为集群或模块,通常被认为是密集互连的节点组,仅稀疏地连接到网络中的其他组。发现高质量的社区在许多领域都是一个困难而重要的问题。最流行的方法是被称为模块化的目标函数,用于发现社区并衡量其强度。为了理解网络的模块化结构,关键是要知道这些函数如何评估不同的拓扑结构,它们解释了哪些特征,以及它们可能做出哪些隐含假设。我们表明,树和树状网络可以有意想不到的,往往是任意高的值的模块化。这是令人惊讶的,因为树是最大稀疏连通图,通常不被认为具有模块化结构,但模块化使用的非局部空模型分配低概率,因此高意义,这些稀疏树社区的密度。我们进一步研究了流行的方法在模型树和家谱数据集上的实际性能,发现发现社区也具有非常高的模块化,通常接近其最大值。统计测试表明,社区的树木是显着的,与已知的结果稀疏,随机图的分区。
2012-06-25 cs.SI physics.data-an physics.soc-ph
Network Modularity Controls the Speed of Information Diffusion
信息的快速传播和社会行为的采纳在集体行动、流行病预防或广告和营销等各种情况下都至关重要。虽然大级联的动力学已经在各种背景下进行了广泛的研究,很少有系统地研究网络拓扑结构对信息传播效率的影响。在这里,通过采用线性阈值模型的网络社区,我们证明了一个突出的网络功能-模块化结构-强烈影响复杂传染的信息扩散速度。我们的模拟表明,总是存在一个最佳的网络模块化的最有效的传播过程。超过这个临界值,无论是更强或更弱的模块化结构实际上阻碍了扩散速度。这些结果证实了分析近似。我们进一步证明了最优模块度随种子大小和目标级联大小而变化,并且最终取决于所研究的网络。我们强调了我们的研究结果在从市场营销到流行病学,从神经科学到工程学的应用中的重要性,其中对复杂系统结构设计的理解侧重于信息传播的效率。
2020-07-30 cs.SI physics.soc-ph
Distress propagation on production networks: Coarse-graining and modularity of linkages
灾难传播发生在连通的网络中,其速度和程度取决于网络拓扑结构。为了研究这一点,我们选择经济生产网络作为一个范式。可以在许多层面上审查经济网络:个体行为者之间的联系(微观)、公司/部门之间的联系(中观)或国家之间的联系(宏观)。新涌现的动力学性质出现在每一个层次上,因此粒度很重要。对于病毒性流行病,即使是单个节点也可能成为痛苦的中心,并可能影响整个网络。然而,众所周知,经济网络在微观层面上不受影响,在中观/宏观层面上更容易失败。我们提出了一个动态的相互作用模型来描述的机制,遇险传播,在不同的震中发起的网络的不同模块。易受攻击的模块通常会导致很大程度的不稳定。我们证明了我们的方法,使用一个独特的经验数据集的投入产出联系在0.14万企业在一个行政状态的印度,发展中经济体。该网络具有多个轴辐结构,表现出适度的离散性,这与粗粒化的水平。新颖之处在于在不同层次的粒度或模块化的生产网络的特点,并找到“太大而不能失败”的模块取代“太中央而不能失败”的模块在遇险传播。
2020-04-29 econ.GN physics.soc-ph q-fin.EC
Complex networks with scale-free nature and hierarchical modularity
从生物学、技术和社会科学等不同领域的研究中,产生网络系统结构的生成机制是复杂网络研究的一个重要组成部分。生物细胞、人类社会和万维网等网络系统的结构与完全随机网络的结构有明显的差异,表明存在潜在的过程。通常,它们的演变中涉及的主要过程是在具有共同邻居的现有节点之间添加链路。在这种情况下,我们介绍了一个重要的属性的节点,我们称之为调解能力,这是通用的许多网络。这种能力随着程度的增加而迅速下降,使枢纽成为该过程的弱中介。我们发现,这种属性的节点提供了一个解释同时发生的观察到的无标度结构和层次模块化在许多网络系统。这也解释了真实网络中的高聚类和小路径长度以及非零度相关性。我们的研究还提供了深入了解本地的过程,最终导致出现的优先连接,因此也是重要的,在理解鲁棒性和控制的真实网络,以及过程中发生的真实网络。
2015-12-02 cond-mat.dis-nn cond-mat.stat-mech cs.SI
A smart local moving algorithm for large-scale modularity-based community detection
我们介绍了一种新的算法,在大型网络中基于模块的社区检测。该算法,我们称之为智能本地移动算法,利用了一个众所周知的本地移动启发式,也被其他算法使用。与其他算法相比,我们提出的算法使用本地移动启发式在一个更复杂的方式。基于对一组不同网络的分析,我们证明了我们的智能局部移动算法识别出的社区结构具有比其他大规模模块化优化算法更高的模块化值,其中包括Blondel等人(2008)介绍的流行的“Louvain算法”。我们的算法的计算效率使得它可以在网络中执行社区检测与数以千万计的节点和数亿条边。我们的智能本地移动算法在中小型网络中也表现良好。在很短的计算时间内,它识别出的社区结构的模块化值与文献中报道的最高值一样高,或几乎一样高,有时甚至高于文献中发现的最高值。
2013-08-29 cs.SI physics.data-an physics.soc-ph
Spectral Graph Forge: Graph Generation Targeting Modularity
社区结构是一个重要的属性,捕捉在大型网络中常见的不均匀性,和模块化是最广泛使用的度量这样的社区结构之一。在本文中,我们介绍了一个原则性的方法,频谱图锻造,用于生成随机图,保留社区结构从一个真正的网络的兴趣,在模块化。我们的方法利用了一个事实,即一个图的矩阵表示的谱结构编码的社区结构的全球信息。Spectral Graph Forge使用模块化矩阵的低秩近似来生成合成图,该合成图在用户可选的准确度内匹配目标模块化,同时允许结构的其他方面变化。我们表明,谱图锻造在实现的模块化和随机性方面的准确性优于最先进的技术,同时还保留了其他局部结构属性和节点属性。我们讨论扩展的谱图锻造,以针对模块化以外的其他属性,及其应用程序的匿名化。
2018-01-05 cs.SI physics.soc-ph
Detecting Communities in Networks by Merging Cliques
已经提出了许多算法来检测网络中的不相交社区(相对密集连接的子图)。一种流行的技术是优化模块化,这是一种衡量分区质量的标准,即内部和社区间边缘的数量。最大化模块度的贪婪近似算法可以非常快速和有效。我们提出了一个新的算法,开始检测不相交的集团,然后合并这些优化模块化。我们表明,这比其他类似的算法在模块化和执行速度方面表现更好。
2012-02-02 cs.SI physics.soc-ph
Maximizing Modularity is hard
已经提出了几种算法来计算网络划分为社区,这些社区在称为模块化的图聚类指数上得分高。虽然这些算法的出版物通常包含实验评估,以强调结果的可扩展性,但这些算法都没有被证明可以实际计算最佳分区。在这里,我们解决了未知的复杂性状态的模块化最大化,相应的决策版本是NP完全的强意义。因此,任何有效的,即多项式时间,算法只是启发式的,并在许多情况下产生次优分区。
2006-08-30 cond-mat.stat-mech physics.data-an physics.soc-ph