Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
University of Hong Kong(香港大学);Massachusetts Institute of Technology(麻省理工学院);City University of Hong Kong(香港城市大学);The Hong Kong Polytechnic University(香港理工大学)
准确的实时交通预测对于智能交通系统(ITS)至关重要,它是各种智能移动应用的基石。虽然这一研究领域由深度学习主导,但最近的研究表明,通过开发新的模型结构来提高准确性的效果正在变得微不足道。相反,我们设想可以通过在具有不同数据分布和网络拓扑的城市之间传输“预测相关知识”来实现改进。为此,本文旨在提出一种新的可转移的流量预测框架:域对抗时空网络(DASTNet)。DASTNet在多个源网络上进行预训练,并根据目标网络的流量数据进行微调。具体来说,我们利用图表示学习和对抗性领域自适应技术来学习域不变的节点嵌入,这进一步被纳入建模的时间流量数据。据我们所知,我们是第一个采用对抗性多领域自适应的网络范围内的流量预测问题。DASTNet在三个基准数据集上的性能始终优于所有最先进的基线方法。经过训练的DASTNet应用于香港的新交通探测器,当探测器可用时,可以立即(在一天内)提供准确的交通预测。总体而言,本研究提出了一种替代方案,以提高交通预测方法,并提供了实际意义的城市缺乏历史交通数据。
2022-08-19 cs.AI cs.LG
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
Learning and Clustering on Temporal Graphs: Principles, Primitives, and Pooling
该研究针对时序图聚类任务,从原理、基元与池化三方面展开,提出 GPU 加速基元实现高效时序聚类,为理论导向的池化提供路径,明确了算法与神经模型的适用场景。
2026-08-05 cs.LG cs.SI
POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection
School of Internet of Things(物联网学院);National Engineering Research Center of Communications and Networking(通信与网络国家工程研究中心)
本文提出了一种新的框架,通过联合先验观察对抗学习方法统一时空建模,以解决多变量时间序列异常检测中的空间过泛化问题,并在公开数据集和自建基准上展示了在时间检测和空间定位任务上的新状态。
2026-05-18 cs.AI
CASTANET: Causality-Aware Spatio-Temporal Adversarial Network Using Traffic Incident Effects
Sumitomo Electric System Solutions Co., Ltd.(住友电工系统解决方案有限公司);Kyoto University(京都大学)
该研究针对事件引发的非周期性交通拥堵预测难题,提出融合时空图神经网络与因果处理效应估计的CASTANET,在东京数据上较基线降低RMSE,提升了拥堵预测性能。
2026-08-31 cs.AI
Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing
Duke University(杜克大学)
社区发现是理解图结构的关键。然而,最近的一些研究表明,社区发现是脆弱的对抗性结构扰动。特别是,通过在图中添加或删除少量精心选择的边,攻击者可以操纵检测到的社区。然而,据我们所知,还没有研究证明社区发现对这种对抗性结构扰动的鲁棒性。在这项工作中,我们的目标是弥合这一差距。具体来说,我们开发了第一个经过认证的鲁棒性保证社区发现对抗性结构扰动。在给定任意社区发现方法的基础上,通过随机扰动图的结构,建立了一种新的平滑社区发现方法。我们从理论上表明,平滑的社区发现方法可证明组到同一个社区(或不同的社区)的节点的一个给定的任意集合时,由攻击者添加/删除的边缘的数量是有界的。此外,我们证明了我们的认证的鲁棒性是紧密的。我们还在多个真实世界的图形与地面真实社区上实证评估了我们的方法。
2020-09-15 cs.CR cs.LG cs.SI
Adversarial Attack on Community Detection by Hiding Individuals
The Chinese University of Hong Kong(香港中文大学);Georgia Institute of Technology(佐治亚理工学院);Tencent AI Lab(腾讯人工智能实验室)
已经证明,对抗图,即,添加了不可感知的扰动的图可能导致深度图模型在节点/图分类任务上失败。在本文中,我们扩展对抗图的问题,社区发现,这是困难得多。我们专注于黑盒攻击,旨在隐藏目标个体,使其无法被深度图社区发现模型检测到,这在现实世界中有很多应用,例如,保护社交网络中的个人隐私和理解交易网络中的伪装模式。我们提出了一个迭代学习框架,轮流更新两个模块:一个作为约束图生成器,另一个作为代理社区发现模型。我们还发现,我们的方法生成的对抗图可以转移到其他基于学习的社区发现模型。
2020-01-22 cs.CR cs.LG cs.SI
Overlapping Community Detection in Temporal Text Networks
Shanghai Jiaotong University(上海交通大学)
基于相同的属性、功能或节点之间的连接来分析网络中的组是理解网络信息的一种方式。发现一系列节点组的任务称为社区发现。通常,可以利用两种类型的信息来完成该任务,即,链接结构和节点属性。时间文本网络是一种包含两种信息源的特殊网络。典型的代表包括在线博客网络、万维网(WWW)和学术引文网络。本文研究时态文本网络中的重叠社区发现问题。通过对32个大型时态文本网络的分析,我们发现了大量连接两个没有共同社区的节点的边,并发现同一社区中的节点共享相似的文本内容。实际上,所有现有的社区发现方法都不能对这种情况进行定量建模。出于这些经验的观察,我们提出了MAGIC(模型关联图与互动社区),生成模型,捕捉社区的互动,并考虑从链接结构和节点属性的信息。我们在3种数据集上的实验表明,MAGIC在4个广泛使用的度量方面比4个最先进的方法有了很大的改进。
2021-01-13 cs.LG cs.SI
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Raytheon BBN Technologies(雷神BBN技术公司)
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架:找到重叠的时间社区结构,最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠,并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果,揭示了真实和合成网络中的社区结构。我们的主要观点是,某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说,发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG cs.SI physics.soc-ph
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
Spectral Multi-scale Community Detection in Temporal Networks with an Application
Imperial College London(帝国理工学院);King’s College London(伦敦国王学院)
时间网络的分析在技术进步的世界中具有广泛的应用领域。时序网络分析的一个重要方面是发现社区结构。真实的数据网络通常非常大,并且观察到社区具有称为多尺度社区的层次结构。随着时间的推移,群落结构的变化可能发生在群落结构的一个尺度上,也可能发生在所有尺度上。介绍的模块化最大化(MM)方法的多层配方捕捉不断变化的多尺度的时间网络的社区结构。该方法通过允许层间连接来引入相邻时间层中的社区之间的耦合,而分辨率参数的不同值使得能够检测多尺度社区。但是,必须手动选择此参数值的范围。在处理真实生活数据时,如果没有选择适当的参数范围,一个或多个尺度上的社区可能会被发现。一种新的时间多尺度社区检测方法(TMSCD)克服了上述障碍。这是通过使用表示为多层网络的时间网络的频谱特性来实现的。在这个框架中,我们自动选择的范围内寻求多尺度社区分区的相关尺度。
2019-01-29 cs.LG cs.SI physics.soc-ph
Scalable dynamic community detection on temporal graphs using graph neural networks
Queen Mary University of London(伦敦大学玛丽女王学院)
该研究提出扩散引导的对比学习框架,结合图神经网络实现时序图的可扩展动态社区检测,在合成网络和OpenAlex合作网络上验证了方法的有效性与可扩展性。
2026-08-31 cs.SI
Quantifying community evolution in temporal networks
Queen Mary University of London(伦敦大学玛丽女王学院);Pometry
针对时序网络节点变动时社群演化难以量化的问题,本文提出UNMI和INMI两种扩展NMI的相似度指标,可有效捕捉合成与真实时序网络的社群动态演化,为网络分析提供新度量方法。
2025-11-18 cs.SI
A model for generating temporal networks with dynamic community structure guided by mutual information
研究提出一种生成模型,通过基于互信息的遗传搜索控制社区演化与动态节点集,能处理节点增减,用概率生成时间边确保连通性,经实验验证可模拟真实社区演化,还用作基准研究节点变化对动态社区检测算法性能的影响。
2026-07-20 cs.SI
CSWA: Aggregation-Free Spatial-Temporal Community Sensing
Missouri University of Science and Technology(密苏里科技大学)
本文提出了一种新的社区感知范式-- {C}一致性{S}感知{W}而无{A}聚集。CSWA被设计为获得环境信息(例如,空气污染或温度),而不聚集由社区成员收集的传感器和位置数据。CSWA在社区成员之间的安全对等网络之上运行,并提出了一种基于\emph{Parallelized Stochastic Gradient Descent}的新型\emph{Decentralized Spatial-Temporal Compressive Sensing}框架。通过经由分布式优化学习\emph{low-rank structure},CSWA使用本地存储在每个成员的移动终端中的传感器数据来近似每个感测周期的每个子区域(覆盖的和未覆盖的)中的传感器数据的值。基于真实世界数据集的仿真实验表明,CSWA具有低近似误差(即,在城市范围的温度感测任务中小于$0.2 ^\circ$ C,在城市空气污染感测中小于PM2.5指数的$10$单位),并且基于数据聚合和集中计算执行接近(有时优于)最先进的算法。
2017-11-15 cs.LG cs.SI
Community Specific Temporal Topic Discovery from Social Media
研究社交媒体中话题的时间动态对理解在线用户行为非常有用。关于这一主题的现有工作大多数通常监测全球趋势,而忽略了社区之间的差异。由于来自不同社区的用户往往具有不同的品味和兴趣,因此捕获社区级别的时间变化可以改善对社交内容的理解和管理。此外,它还可以进一步促进社区发现,时间预测和在线营销等应用。然而,由于社区和主题之间复杂的相互作用以及难以处理的计算复杂性,这种抽取变得具有挑战性。本文针对社区级主题动态抽取问题,提出了一种统一的解决方案。提出了一个概率模型CosTot(Community Specific Topics-over-Time),用于发现隐藏的主题和社区,并捕捉社区特定的时间动态。具体而言,CosTot同时考虑文本,时间和网络信息,并很好地发现社区和主题之间的互动随着时间的推移。然后,我们讨论了近似推理实现,使模型参数的可扩展计算,特别是对于大型社会数据。在此基础上,研究了应用层对多尺度时态分析和社区探索的支持。在一个真实的微博数据集上进行了大量的实验研究,验证了该模型在时间戳预测、链接预测和主题混淆等任务上的优越性。
2013-12-03 cs.SI physics.soc-ph
Significant Engagement Community Search on Temporal Networks: Concepts and Algorithms
社区搜索是一种检索包含查询顶点的内聚子图的搜索方法,在过去的几十年里得到了广泛的关注。现有的社区搜索研究主要集中在静态网络上。然而,现实世界的网络通常是时间网络,其中每个边都与时间戳相关联。以前的方法在处理时态网络时不起作用。我们研究的问题,确定用户指定的查询属于显着的参与社区。具体地说,给定一个整数k和一个查询顶点u,然后我们搜索满足以下条件的子图H:(i)u $\in$ H;(ii)H的去时态图是一个连通的k-核;(iii)在H中u具有最大参与度。为了解决我们的问题,我们首先开发了一个自顶向下的贪婪剥离算法TDGP,迭代删除的顶点与最大的时间程度。为了提高效率,我们设计了一个自底向上的局部搜索算法BULS及其增强版本BULS+和BULS*。最后,我们经验表明,我们提出的解决方案的优越性在六个现实世界的时间图。
2022-06-14 cs.SI
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
Challenges in Community Discovery on Temporal Networks
社区发现是网络科学研究的热点问题之一。近年来,许多工作都集中在发现社区的时间网络,从而确定动态社区。有趣的是,动态社区不仅仅是静态社区的序列;新的挑战来自其动态性质。在本章中,我们将讨论其中的一些挑战以及最近的解决方案。我们将讨论在逐渐发展的网络中的社区事件的问题,通过变化的身份的概念,在链接流中的动态社区,动态社区的平滑度,以及不同类型的算法的复杂性。
2019-07-26 cs.SI physics.soc-ph
Heterogeneous-Temporal Graph Convolutional Networks: Make the Community Detection Much Better
Harbin Institute of Technology(哈尔滨工业大学);Jilin University(吉林大学);Peng Cheng Laboratory(鹏城实验室);Nanyang Technological University(南洋理工大学)
社区发现一直是复杂网络分析中的一个重要而又具有挑战性的课题,其研究重点是发现图数据的拓扑结构。本质上,真实世界的图数据包含各种特征、节点和边类型,这些特征随时间动态变化,这使得大多数现有的社区发现方法失效。为了解决这些问题,本文提出了异构时间图卷积网络(HTGCN),以检测社区从异构和时间图。特别地,我们首先设计了一个异构GCN组件,以获取每个异构图在每个时间步的特征表示。然后,提出了一个残余的压缩聚合组件来表示“变化”社区的“动态”特征,然后将其与从当前图中提取的“静态”特征聚合。在两个真实世界的数据集上进行了广泛的实验,即,DBLP和IMDB。有希望的结果表明,提出的HTGCN是优于基准和国家的最先进的方法,例如,GCN、GAT、GNN、LGNN、HAN和STAR,涉及若干评价标准。
2020-03-13 cs.LG cs.SI stat.ML
Community-Size Biases in Statistical Inference of Communities in Temporal Networks
Southern Methodist University(南方卫理公会大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Santa Fe Institute(圣塔菲研究所)
本文提出了一种新的统计模型,用于减少时间网络中社区大小偏差,以更准确地识别社区结构。
2026-01-22 cs.SI physics.soc-ph stat.ME
Graph Sparsification with Generative Adversarial Network
图稀疏化旨在减少网络的边数,同时保持其对给定任务的准确性。在这项研究中,我们提出了一种新的方法,称为GSGAN,这是能够稀疏网络的社区发现任务。GSGAN能够捕捉那些在原始图中没有显示但相对重要的关系,并创建人工边来反映这些关系,进一步提高社区发现任务的有效性。我们采用GAN作为学习模型,并指导生成器产生能够捕获网络结构的随机游走。具体来说,在训练阶段,除了判断随机游走的真实性外,神经网络还同时考虑节点之间的关系。我们设计了一个奖励函数来引导生成器创建包含有用的隐藏关系信息的随机游走。然后,这些随机游走被组合以形成新的社交网络,该社交网络对于社区发现是高效和有效的。实验结果表明,GSGAN的聚类效果明显优于基线算法,可以应用于各种社区发现的聚类算法中.
2020-09-24 cs.SI
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
Towards Truss-Based Temporal Community Search
本文针对时间社区搜索中忽略高阶时间连通性的问题,提出极大桁架(MDT)模型,并设计局部搜索框架和时间桁架度索引(TT-index)以高效搜索包含查询节点的社区,在多个真实网络上验证了其效率、有效性和可扩展性。
2024-10-19 cs.SI
Minimax Rates for Robust Community Detection
在这项工作中,我们研究的社区发现的随机块模型与敌对节点损坏的问题。我们的主要结果是一个有效的算法,可以容忍$ε$ -分数的腐败,并实现错误$O(ε) + e^{-\frac{C}{2} (1 \pm o(1))}$其中$C = (\sqrt{a} - \sqrt{b})^2$是信噪比和$a/n$和$b/n$是社区间和社区内的连接概率分别。这些界限基本上匹配的极小极大率的SBM没有腐败。我们还给出了稳健的$\mathbb{Z}_2$同步算法。在我们的算法的核心是一个新的半定的程序,使用全局信息鲁棒地提高粗糙聚类的准确性。此外,我们表明,我们的算法是双重鲁棒性的意义上说,他们的工作在一个更具挑战性的噪声模型,混合对抗腐败与无界单调变化,从半随机模型。
2022-07-25 cs.DS cs.LG cs.SI
Adaptive Community Search in Dynamic Networks
社区搜索是一个研究得很好的问题,给定一个静态图和一个查询顶点集,需要找到一个包含查询顶点的内聚(或稠密)子图。本文研究了时态动态网络中的社团搜索问题。我们适应的时间设置的概念\emph{network inefficiency},这是基于解决方案中的所有顶点之间的成对最短路径距离。为此,我们定义的概念\emph{shortest-fastest-path distance}:由用户定义的参数的时间和空间维度的线性组合。因此,我们定义了\textsc{Minimum Temporal-Inefficiency Subgraph}问题,并表明它是\NPhard。我们开发了一种算法,利用一个仔细的时间网络的静态有向和加权图的转换,和一些最近的近似算法找到最小的有向斯坦纳树。最后,我们将我们的框架推广到流媒体设置,其中时间图的新快照不断到达,我们的目标是为对应于滑动时间窗口的时间图产生社区搜索解决方案。
2020-11-10 cs.DS cs.SI
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
Modeling sequences and temporal networks with dynamic community structures
在不断发展的复杂系统中,如空中交通和社会组织,集体效应产生于其许多组成部分的动态相互作用。虽然动态交互可以用具有随时间变化的节点和链接的时间网络来表示,但它们仍然非常复杂。因此,经常需要使用提取时间网络的大规模动态社区结构的方法。然而,这样的方法受到过拟合或遭受任意的,先验强加的时间尺度的影响,而不是从数据中提取。在这里,我们同时解决这两个问题,并开发一个原则性的数据驱动的方法,确定相关的时间尺度,并确定发生在网络上的动态模式,以及塑造网络本身。我们的方法基于一个任意阶马尔可夫链模型与社区结构,并开发了一个非参数贝叶斯推理框架,确定最简单的这样的模型,可以解释时间交互数据。
2017-09-20 cond-mat.stat-mech cs.SI physics.soc-ph
Multi-scale Community Detection in Temporal Networks Using Spectral Graph Wavelets
谱图小波在网络中引入了尺度的概念,因此用于从每个节点获得网络的局部视图。通过对这些小波构造一个小波滤波函数,已经发展出了一种多尺度的单一网络社团检测方法。这种构造利用了网络拉普拉斯算子的划分特性。在本文中,我们阐述了一种新的方法,使用谱图小波检测多尺度社区的时间网络。为了做到这一点,我们通过采用多层框架扩展谱图小波的定义到时间网络。我们使用参数扰动理论研究超拉普拉斯矩阵的谱特性,用于时间网络的聚类目的。利用这些属性,我们构建了一个新的小波滤波函数,它衰减的影响,无信息的特征值和中心的过滤器周围的特征值,其中包含信息的粗略描述的流行的社区结构随着时间的推移。我们使用谱图小波作为特征向量的连通性约束聚类过程中检测多尺度社区在不同的尺度,并将这种方法称为时间多尺度社区检测(TMSCD)。我们验证的性能TMSCD和竞争的方法在各种基准。TMSCD的优点是自动选择应寻求社区的相关尺度。
2017-08-14 cs.SI physics.soc-ph stat.ME
Detecting the community structure and activity patterns of temporal networks: a non-negative tensor factorization approach
随着时间网络数据可用性的不断提高,人们需要对时间网络中的介观结构进行提取和表征,并将这种结构与系统的特定功能或属性联系起来。一个突出的挑战是扩展静态网络的结果随时间变化的网络,其中系统的拓扑结构和其组件的时间活动模式交织在一起。在这里,我们研究使用潜在的因子分解技术,非负张量因子分解,提取时间网络的社区活动结构。该方法本质上是时间性的,可以同时识别社区并跟踪其活动。我们将时间网络的时变邻接矩阵表示为三向张量,并将此张量近似为可以解释为具有相关活动时间序列的节点社区的项的总和。我们总结了已知的张量分解的计算技术,并讨论了一些质量指标,可用于调整的复杂性的因式分解表示。随后,我们将张量因式分解应用到一个时间网络中,对于该网络,社区结构和时间活动模式都可以使用地面实况。我们使用的数据描述了学生在学校的社会互动,学生和学校班级之间的关联,以及学生随时间的时空轨迹。我们表明,非负张量因式分解是能够恢复的类结构具有高精度。特别地,所提取的张量分量可以被验证为已知的学校班级,或者根据相关的活动模式,即,由已知的学校活动时间表确定的空间和时间巧合。
2013-11-05 cs.SI physics.soc-ph
Temporal prediction of epidemic patterns in community networks
以往关于复杂网络上流行病动力学的大多数研究都假设疾病最终会稳定在无病状态或地方病状态。然而,实际上,某些流行病在一个地区总是表现出零星和复发的行为,因为其他地方的地方病人群入侵。在本文中,我们解决了这个问题,并研究了一个网络上的两个社区,其中疾病是地方性的,但在另一个社区之间的交替爆发和预防的传染病模型。我们提供了一个详细的描述在后者社区的流行模式的时间动态。特别是,我们调查的爆发和灭绝的持续时间,两个连续的社区间感染的时间间隔,以及它们的频率分布。基于平均场论,我们从理论上分析了这三个时间尺度及其对每个社区的平均节点度、传播参数和社区间链接数的依赖关系,除了连续爆发之间重叠的概率太大之外,这与模拟结果吻合得很好。这些发现有助于我们更好地了解疾病在当地社区传播的突发性,从而提出有效的时间依赖性控制策略。
2013-11-17 cond-mat.stat-mech cs.SI physics.soc-ph
Spectral clustering for dependent community Hawkes process models of temporal networks
Department of Statistics The Ohio State University(统计学系俄亥俄州立大学);Department of Electrical Engineering and Computer Science University of Toledo(电气工程与计算机科学系托莱多大学);Department of Computer and Data Sciences Case Western Reserve University(计算机与数据科学系凯斯西储大学)
针对时间网络中的社区结构与节点对依赖性,提出依赖社区Hawkes(DCH)模型,结合随机块模型与相互激发Hawkes过程,推导了谱聚类误聚类误差的非渐近上界,并提出基于广义矩估计的高可扩展参数估计方法。
2025-05-28 cs.LG cs.SI stat.ME
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样,在Facebook、Twitter、Myspace等在线社交媒体网络中,多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是,由于传统的顶点和边数据提取方法没有考虑节点间的连通性,同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型(Interlinked Spatial Clustering Model,ILSCM),该模型提供相关内容选择和时间主题提取,用于基于上下文关键字识别节点之间的介数,从而检测社区。
2019-04-10 cs.SI physics.soc-ph
WCCS: Efficient Wedge Conductance Community Search over Large Temporal Bipartite Graphs (Full Paper)
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学)
针对现有二部图社区搜索忽略时序动态、高阶交互及社区质量的问题,提出WCCS问题,通过(α,β,τ)-楔形核和时序楔形传导率度量,结合在线过滤-扩展框架与离线压缩索引,在七个真实数据集上验证了高效性。
2026-09-16 cs.SI
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下,面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中,我们建立在这两个检测稳定的社区结构,确定有意义的社区内的变化点。与现有的动态社区发现算法不同,该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性,以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Community Shaping in the Digital Age: A Temporal Fusion Framework for Analyzing Discourse Fragmentation in Online Social Networks
本文提出一种融合文本与网络时序数据的框架,通过Twitter案例识别歧视话语碎片,揭示在线社区形成演化机制及其对社会极化的影响。
2024-09-18 cs.CY cs.SI
Unraveling the Temporal Importance of Community-scale Human Activity Features for Rapid Assessment of Flood Impacts
本研究的目的是探讨社区规模的人类活动特征的时间重要性,快速评估洪水的影响。最终的洪水影响数据,如洪水淹没地图和保险索赔,只有在洪水退去后的几周和几个月才能获得。然而,危机应对管理人员需要接近实时的数据来确定应急响应的优先级。这一时间滞后导致需要进行快速洪水影响评估。最近的一些研究表明,使用人类活动波动作为洪水影响指标的结果很有希望。然而,现有的研究,主要是使用一个单一的社区规模的活动功能,估计洪水的影响,并没有调查其时间的重要性,表明洪水的影响。因此,在这项研究中,我们研究了不同的人类活动特征在不同的洪水事件阶段的重要性。使用四个社区规模的大数据类别,我们得出了与人类活动变化相关的十个特征,并评估了它们在快速评估洪水影响方面的时间重要性。使用多个随机森林模型,我们研究了每个特征在指示2017年德克萨斯州哈里斯县飓风哈维的洪水影响程度方面的时间重要性。我们的研究结果表明:1)人类活动指数和拥堵道路百分比的波动是响应和恢复阶段快速洪水影响评估的最重要指标; 2)信用卡交易的变化处于中等水平; 3)地理定位社交媒体帖子(Twitter)的模式在洪水阶段的重要性较低。这项研究的结果可以迅速形成一个多功能工具,使危机管理人员能够确定在不同阶段具有严重洪水影响的热点,然后规划和优先考虑有效的应对策略。
2021-06-21 cs.SI physics.soc-ph
Topic Community Based Temporal Expertise for Question Routing
基于社区的问答网站中的问题路由旨在向最有可能提供“接受答案”的潜在用户推荐新发布的问题。大多数现有的方法基于用户过去的问答行为和新问题的内容来预测用户的专业知识。然而,这些方法在三个方面受到挑战:1)用户过去记录的稀疏性导致缺乏个性化推荐,有时不匹配用户的兴趣或领域专业知识,2)基于所有问题和答案内容的建模使得周期性更新在计算上昂贵,以及3)尽管CQA站点是高度动态的,但它们大多被认为是静态的。本文提出了一种新的QR方法,解决了上述挑战。它基于用户在主题社区上的活动的动态建模。在三个真实数据集上的实验结果表明,该模型的性能明显优于竞争基准模型
2022-07-05 cs.IR cs.SI
Random walk based snapshot clustering for detecting community dynamics in temporal networks
本文提出一种基于随机游走的快照聚类方法,用于检测时间网络中的社区动态,包括结构变化和低维表示,并通过合成与真实数据验证其有效性。
2025-07-10 cs.SI math.DS
Community Aware Temporal Network Generation
本文提出一种社区感知的时间网络生成方法,通过节点社区标签构建替代网络以复现不同社区间交互的时间演化,并在多个面对面交互数据集上验证了生成网络的结构相似性。
2025-06-05 cs.SI physics.soc-ph
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 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
Highly engaging events reveal semantic and temporal compression in online community discourse
基于 Reddit 对话数据,研究发现高参与度现实事件会引发在线社区话语的语义和时间压缩,表现为词汇重复、节奏加快和情绪增强,且该模式在多种事件中普遍存在。
2025-02-21 cs.CY cs.SI physics.soc-ph
STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks
Southern Methodist University(南方卫理公会大学);Qilu Bank(齐鲁银行)
提出STEC-Net,一种集成图卷积网络、门控循环单元和自组织映射的时空图神经框架,用于动态社交网络中的社区发现,在多种动态网络上优于传统方法。
2026-05-22 cs.SI
MNTD: An Efficient Dynamic Community Detector Based on Nonnegative Tensor Decomposition
本文提出MNTD模型,通过融合模块度最大化的非负张量RESCAL分解提取时序社区结构并优化划分,解决了非负矩阵分解无法刻画动态网络时序变化的问题,在真实数据集上检测准确性优于现有方法。
2024-07-26 cs.CY cs.SI
Flow stability for dynamic community detection
许多系统表现出复杂的时间动态,由于同时发生的不同过程的存在。在这样的系统中,一个重要的任务是提取一个简化的视图,其时间依赖的相互作用网络。时间网络中的社区检测通常依赖于时间窗口上的聚合或考虑不同平稳时期的序列。对于基于动力学的方法,试图推广静态网络方法也面临着根本的困难,即动态的稳态并不总是存在。在这里,我们推导出一种方法的基础上演变的时间网络上的动态过程。我们的方法允许动态,不达到稳定状态,并揭示了两组社区为一个给定的时间间隔,占排序的边缘在向前和向后的时间。我们表明,我们的方法提供了一种自然的方式来解开不同的动力学尺度存在于一个系统与合成和现实世界的例子。
2022-05-20 cs.SI math.DS physics.data-an