Weighted Label Propagation Algorithm based on Local Edge Betweenness
在复杂网络中,特别是社交网络中,网络可以被划分为不相交的分区,其中内部边(同一分区内顶点之间的边)与外部边(不同分区的两个顶点之间的边)的数量之比很高。通常,这些分区被称为社区。检测这些社区有助于数据科学家从图表中提取有意义的信息并进行分析。在过去的几十年里,已经提出了各种算法来检测图中的社区,每个算法都从不同的角度研究了这个问题。然而,这些算法中的大多数具有显著的时间复杂度和昂贵的计算,使得它们不适合在具有数百万条边和节点的大型图中检测社区。在本文中,我们尝试通过使用边缘介数度量来改进标签传播算法,使其能够在接近线性的时间复杂度内以可接受的精度识别真实世界和人工网络中的不同社区。此外,该算法可以检测社区的加权图。实验结果表明,该算法在准确性和速度上都是可以接受的,并且具有良好的可扩展性。
2019-01-16 cs.SI physics.soc-ph
Overlapping community detection in weighted networks
School of Economics and Finance, Chongqing University of Technology(重庆理工大学经济管理学院)
本文提出加权度修正混合成员(WDCMM)生成模型,将DCMM扩展到加权网络,结合谱算法与重叠加权模块度,实现重叠社区检测并确定社区数,在模拟和真实网络中验证优势。
2025-10-07 cs.SI physics.data-an
Mapping flows on weighted and directed networks with incomplete observations
在具有不完整观测的网络中检测重要的社区结构是具有挑战性的,因为特定解决方案的证据会随着数据的缺失而消失。例如,最近的研究表明,基于流的社区发现方法可以突出稀疏的无向和无权网络中的虚假社区与丢失的链接。目前的贝叶斯方法,以克服这个问题不工作的不完整的观察加权和有向网络,描述网络流。为了解决这一差距,我们扩展了贝叶斯估计的地图方程的无权重和无向网络,使更强大的社区发现加权和有向网络背后的想法。我们推导出一个加权和定向的先验网络,可以将元数据信息,并显示如何在社区检测方法Infomap提供更可靠的社区,即使有很大一部分数据丢失的有效实施。
2021-12-13 cs.SI physics.data-an physics.soc-ph
An edge density definition of overlapping and weighted graph communities
网络中的社区检测是指寻找内部连接强而外部连接弱的节点组的过程。在这项工作中,我们介绍和研究的社区定义的基础上,内部边缘密度。从一个简单的概念,边缘密度等于边缘数除以最大边缘数,我们应用这个定义的各种节点和社区的安排表明,我们的定义产生合理的结果。我们的社区定义相当于绝对波茨模型社区检测方法(Phys.Rev.E81,046114(2010)),该方法的性能验证了我们的定义在各种网络类型中的有用性。我们将讨论如何将此定义扩展到加权和多重图,以及如何定义能够处理重叠的社区和本地算法。我们进一步验证了我们的定义对最近提出的隶属图模型(arXiv:1205.6228 [cs.SI]),并表明我们可以精确地解决这些基准。除了提出一个最终的社区定义之外,我们还解释了研究社区定义的详细属性是如何重要的,以便验证定义不具有负分析属性。我们敦促社区定义从社区检测算法中分离出来,并建议通过这些标准进一步评估社区定义。
2013-01-14 cs.SI physics.soc-ph
Local Network Community Detection with Continuous Optimization of Conductance and Weighted Kernel K-Means
Institute for Computing and Information Sciences(计算与信息科学研究所);Radboud University Nijmegen(拉德堡德大学奈梅亨)
局部网络社区发现是以局部化的方式发现集中在少数给定种子节点周围的单个节点社区的任务。电导率是一个流行的目标函数,在许多算法中用于局部社区发现。本文研究电导的连续弛豫。我们表明,这个目标的持续优化仍然会导致离散的社区。我们调查的关系,电导与加权核k-均值为一个单一的社区,这导致了一个新的目标函数,$σ$ -电导的介绍。通过将$σ$设置为$0$获得电导。提出了两种局部优化$σ$ -电导和自动调整参数$σ$的算法EMc和PGDc。它们分别基于期望最大化和投影梯度下降。我们证明了地方性和性能保证EMC和PGDC为一类密集和分离的社区为中心的种子。实验进行了与地面真实社区的网络,比较国家的最先进的图扩散算法的电导优化。在大型图上,结果表明,EMc和PGDc保持本地化,并产生与地面最相似的社区,而图扩散算法生成质量较低的大型社区。
2016-08-17 cs.LG cs.SI stat.ML
Detection of multiple and overlapping bidirectional communities within large, directed and weighted networks of neurons
随着最近公开可用的生物数据的爆炸式增长,网络分析获得了极大的兴趣。特别是,最近在神经科学方面有希望的结果表明,神经元和大脑区域相互连接的方式在认知功能和行为中起着重要作用。揭示如此复杂的连接量中的模式和结构是一个很难的问题,其根源在于图和网络理论。由于许多真实世界的情况可以通过网络建模,结构检测算法在几乎每个科学领域都有应用。这些都是NP完全问题,因此通常使用的方法是通过启发式算法。在这里,我们制定了一个社区发现问题的神经元网络中找到结构的问题。我们引入了社区的定义,我们构建了一个基于启发式算法的有向和加权网络,旨在确定重叠的双向社区在大型网络。我们进行了系统的分析,该算法的性能,在很宽的参数范围内(成功检测百分比几乎$100\%$所有的时间)显示出优异的结果。此外,我们展示了所需的计算时间的结果,并就如何提高计算性能提出了未来的方向。
2015-11-13 cs.DS cs.SI physics.soc-ph
Trusses and Trapezes: Easily-Interpreted Communities in Social Networks
桁架是基于三角形的集团的松弛,用于以易于解释且在计算上具有吸引力的方式识别演员集群。本文介绍了基于4-循环的相对于桁架的结构,称之为桁架结构,给出了桁架结构和桁架结构的加权扩展,并给出了强桁架结构和桁架结构以及顶点桁架结构和桁架结构的精化。使用加权的版本允许的应用程序的二分图,而由于自然的边缘权重的支持变化,而不增加计算复杂性。最后,强版本和顶点版本使得在不同密度的图中容易确定社区。这些结构中的每一个都在多项式时间内提供有保证的计算,其动机是对社会凝聚力的自然观察,并且与其他标准结构很好地相关。
2019-07-22 cs.SI physics.soc-ph
Multilayer weighted social network model
最近使用大规模数据集进行的实证研究证实了关于社会结构的格兰米特假说,即存在由弱关系连接的强连接社区。然而,由于个人之间的互动发生在不同的背景下,这些社区原来是重叠的。这意味着社会有一个多层次的结构,其中各层代表不同的背景。为了对这种结构进行建模,我们首先从一个单层加权社交网络(WSN)模型开始,该模型显示了Grantwartterian结构。我们发现,当合并这样的无线传感器网络模型,足够数量的层间相关性是必要的,以保持拓扑结构和链路权重之间的关系,而这些相关性破坏了社区重叠,由于多个层的增强。为了解决这个问题,我们设计了一个地理多层WSN模型,其中由于个人的地理约束的间接层间相关性,提高了社区之间的重叠,在同一时间,格兰特特结构被保留。
2014-11-11 cs.SI physics.soc-ph
Provable Overlapping Community Detection in Weighted Graphs
University of Waterloo(滑铁卢大学)
社区发现是一个被广泛研究的无监督学习问题,其中的任务是根据观察到的成对实体交互将相似的实体分组在一起。这个问题在不同的领域,如社会网络分析和计算生物学的应用。有大量的文献在假设社区不重叠的情况下研究这个问题。当社区被允许重叠时,通常会做出纯节点假设,即每个社区都有一个专门属于该社区的节点。然而,这一假设在实践中可能并不总是得到满足。在本文中,我们提供了一个可证明的方法来检测加权图中的重叠社区,而无需明确地做出纯节点假设。此外,与大多数现有算法相反,我们的方法是基于凸优化,其中许多有用的理论性质是已知的。我们证明了我们的算法在人工和真实世界的数据集上的成功。
2020-04-19 cs.LG cs.SI math.OC
Community Detection: Exact Recovery in Weighted Graphs
在社区发现中,主要研究了边缘取自Bernoulli分布的一般随机块模型下社区(簇)的精确恢复问题。本文考虑了完全图中社区的精确恢复,其中图的边来自一组具有社区依赖均值和方差的高斯分布,或一组具有社区依赖均值的指数分布。对于每种情况下,我们引入了一个新的半度量,描述了充分和必要条件的精确恢复。充分必要条件是渐近紧的。分析也扩展到不完全的,完全连接的加权图。
2021-02-08 cs.IT cs.SI eess.SP
Community detection in bipartite networks using weighted symmetric binary matrix factorization
在本文中,我们提出了加权对称二进制矩阵分解(wSBMF)的框架来检测重叠社区的二分网络,其中描述了两种类型的节点之间的关系。我们的方法通过识别两种类型的缺失边缘之间的区别来提高性能--每个节点类型中的节点之间的边缘和两个节点类型之间的边缘。我们的方法还可以显式地分配社区成员资格,并将离群值与重叠节点区分开来,以及将网络上的现有知识结合起来。我们提出了一个广义的分区密度二分网络的质量函数,它确定了最合适的社区数量。在合成网络和真实网络上的实验结果证明了该方法的有效性。
2015-02-16 cs.SI physics.soc-ph
Identification of overlapping communities and their hierarchy by locally calculating community-changing resolution levels
我们提出了一个新的本地,确定性和无参数的算法,检测模糊和清晰的重叠社区的加权网络,同时揭示其层次结构。该算法通过引入局部适应度函数,不断扩展种子的自然社区,直到覆盖整个图。社区的层次结构是通过计算社区增长的分辨率水平而不是通过测试不同的分辨率水平来分析获得的。这种分析方法不仅比LFM和GCE等数值方法更精确,而且速度也更快。关键分辨率水平可以通过搜索分辨率的大变化不会导致群落增长的间隔来识别。我们在基准图和信息科学中的492篇论文的网络上测试了我们的算法。结合一个特定的后处理,该算法给出了更精确的结果,LFR基准与高重叠相比,其他算法和执行非常相似的GCE。
2010-12-06 cs.SI physics.data-an physics.soc-ph
Significance-based community detection in weighted networks
社区发现是对网络中强连接节点进行分组的过程。许多非加权网络的社区发现方法都是基于零模型的。因此,通过这些方法发现的群落具有统计意义。在本文中,我们引入了一个空的加权网络称为连续配置模型。我们使用该模型作为社区发现的工具,并模拟加权网络与空节点。首先,我们提出了一个加权网络的社区提取算法,它结合了零值下的迭代假设检验。在加权随机块模型下,证明了边权和的中心极限定理及算法的渐近相合性。然后,我们将该算法在一个社区发现方法称为CCME。为了基准的方法,我们提供了一个模拟框架,将空植物“背景”节点加权网络社区。我们发现,CCME在这些模拟上的经验表现与现有方法具有竞争力,特别是当存在重叠的社区和背景节点时。为了进一步验证该方法,我们提出了两个现实世界的网络与潜在的背景节点,并分析它们与CCME,产生的结果,揭示了相应的系统的宏观特征。
2017-10-23 cs.SI physics.soc-ph stat.ME
Emergence of Bursts and Communities in Evolving Weighted Networks
了解人类动力学和社会互动的模式,以及它们导致形成有组织和功能性社会的方式,是特别是技术社会发展的重要问题。通过例如移动电话呼叫记录的大规模数据分析,解决社交网络的这些问题最近已经成为可能,这已经揭示了模块化或社区结构的存在,其中在相同社区的节点之间存在许多链接,而在不同社区的节点之间存在相对较少的链接。链接的权重,例如两个用户之间的呼叫数量,和网络拓扑结构被发现相关,使得社区内链接比弱的社区间链接更强。这被称为格兰米特的“弱关系的强度”假说。除了这种不均匀的社区结构,人类动力学的时间模式是不均匀的或突发性的,其特征是两个连续事件之间的事件间隔时间的厚尾分布。在本文中,我们研究了如何社区结构和突发动态一起出现在一个不断发展的加权网络模型。这些模式背后的主要机制是通过循环闭合的社会互动,即链接到朋友的朋友和焦点闭合,即链接到共享相似属性或兴趣的个人,以及通过任务处理过程的人类动态。这三种机制已被实现为一个网络模型与本地附件,全球附件,和基于优先级的排队过程。通过综合的数值模拟,我们表明,这些机制的相互作用,导致出现重尾事件间的时间分布和格兰特类型的社区结构的演变。此外,数值结果被发现在定性与经验的结果从手机通话数据集。
2011-06-01 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
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析,而超图的线图是简单图或赋权图,因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区,在该个人重叠的数量,我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$,这是整个网络的最大重叠深度。基于具有优先连接的超图,建立了一个包含重叠社区的网络模型,其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较,我们发现,我们的社会网络模型具有高度的聚类性,混合性,幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
Demarcating Geographic Regions using Community Detection in Commuting Networks with Significant Self-Loops
我们开发了一种方法来识别具有高比例自循环权重的加权网络中的统计显著社区。我们使用这种方法来找到重叠的聚集美国县表示县间通勤作为一个加权网络。我们确定了三种类型的社区;非节点,节点和单子,这对应于不同类型的区域。研究结果表明,传统的区域划定,依赖于特设的阈值不占重要的和普遍的连接,远远超出预期的大都市边界或megalgions。
2020-03-26 cs.SI physics.soc-ph
Evaluating Overlapping Communities with the Conductance of their Boundary Nodes
通常,网络中社区的边界是在节点之间画出的,因此穿过了它的输出链路。如果我们通过应用链接聚类方法构建重叠社区,节点和链接交换它们的角色。因此,必须通过两个或多个社区共享的节点来划分边界。为了社区评估的目的,我们定义了一个电导的边界节点的重叠社区类似的图形电导的边界交叉链接用于划分一个图形到不相交的社区。我们证明了边界节点的电导(或归一化节点切割)可以从Evans和Lambiotte(2009)引入的网络加权线图中不相交簇的普通图电导推导出来,以获得原始网络中节点的重叠社区。我们测试我们的定义是否可以用来构建有意义的重叠社区与本地贪心算法的链接聚类。在本说明中,我们提出了令人鼓舞的结果,我们获得了扎卡里的空手道俱乐部网络。
2013-10-13 cs.SI physics.soc-ph
Estimating a network from multiple noisy realizations
实体之间的复杂交互通常表示为网络中的边。在实践中,网络通常是由噪声测量构建的,不可避免地包含一些误差。在本文中,我们考虑从多个噪声观测中估计网络的问题,其中原始网络的边缘被记录有假阳性和假阴性。这个问题是由神经成像应用激发的,在神经成像应用中,具有特定大脑状况的一组患者的大脑网络可以被视为对应于该疾病的未观察到的真实网络的噪声版本。最佳地利用这些多个观察结果的关键是利用网络结构,在这里,我们关注的是真正的网络包含社区的情况。社区通常在真实网络中很常见,特别是在大脑网络中。在社区结构的假设下,我们推导出一种有效的方法来估计噪声水平和原始网络,理论上保证我们的估计的收敛性。我们在合成网络上表明,我们的方法的性能接近使用真实参数值的Oracle方法,并将我们的方法应用于fMRI脑数据,表明它构建了稳定和合理的人口网络估计。
2018-12-10 cs.SI math.ST stat.TH
Shaping Communities out of Triangles
社区发现在生物学、社交网络、网络流量分析等领域有着重要的应用价值,是图数据采掘领域的研究热点之一。建议塑造社区的指标是通用的,并遵循两种方法:最大限度地提高这些社区的内部密度或减少内部顶点与社区外的连接。然而,这些指标将边缘作为一个集合,而不考虑社区中边缘的内部布局。我们定义了一组面向社交网络的属性,以确保社区具有凝聚力,结构化和良好的定义。然后,我们提出了加权社区聚类(WCC),这是一个基于三角形的社区度量。我们证明,分析社区的三角形社区,满足所列的属性集,在以前的指标。最后,我们的实验表明,WCC正确地捕捉社区的概念,在社交网络使用真实的和合成的数据集,并统计比较一些最相关的社区发现算法在最先进的。
2012-07-26 cs.SI physics.soc-ph
Estimating topological properties of weighted networks from limited information
研究和建模经济和金融系统的一个基本问题是隐私问题,这严重限制了可访问的信息量。在这里,我们介绍了一种新的,高度非平凡的方法来重建这种复杂的加权网络的结构特性,只使用部分信息:节点和链接的总数,以及所有节点的强度值。后者被用来作为适应度,通过一个标准的配置模型来估计未知的节点度。然后,这些估计的度和强度被用来校准增强的配置模型,以生成旨在代表真实系统的网络的合奏。该方法在真实的经济和金融网络上进行了测试,同时大大减少了推断网络属性所需的信息量,结果证明是非常有效的$-$,从而代表了一个有价值的工具,用于深入了解隐私保护的社会经济系统。
2018-12-07 cond-mat.stat-mech cs.SI physics.soc-ph
Why the Metric Backbone Preserves Community Structure
EPFL(洛桑联邦理工学院)
本文针对具有社区的加权随机图,形式化证明了度量骨干在删除非最短路径边后仍能保持社区结构的鲁棒性,并通过实证比较验证其作为高效稀疏化器的优势。
2024-12-30 cs.LG cs.SI math.PR
Overlapping community detection in networks via sparse spectral decomposition
University of Maryland, College Park(马里兰大学帕克分校);Johns Hopkins University(约翰斯·霍普金斯大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
我们考虑的问题,估计重叠的社区成员在网络中,每个节点可以属于多个社区。每个节点的社区数量超过几个是很难估计和解释的,所以我们专注于稀疏节点成员向量。我们的算法是基于稀疏主子空间估计与迭代阈值。该方法计算效率高,计算成本相当于估计的邻接矩阵的领导特征向量,不需要额外的聚类步骤,不像谱聚类方法。我们表明,一个不动点的算法对应于正确的节点成员下的随机块模型的一个版本。该方法在模拟和真实网络上进行了经验评估,显示出良好的统计性能和计算效率。
2021-02-15 cs.LG cs.SI stat.CO
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
Determining the Number of Communities in Sparse and Imbalanced Settings
本文针对稀疏和不平衡网络中社区数量K难以估计的问题,提出一种基于中心化非回溯算子的谱方法,利用最大特征值进行拟合优度检验,有效克服弱信号和度数不平衡挑战。
2024-06-06 cs.SI physics.soc-ph stat.ME
On the visualization of the detected communities in dynamic networks: A case study of Twitter's network
理解网络所代表的社会关系背后的信息是非常具有挑战性的,特别是当社会互动随着时间的推移而变化,从而导致网络拓扑结构的更新时。在这种情况下,本文提出了一种方法来分析动态社交网络,更准确地说,Twitter的网络。我们的方法依赖于两个互补的步骤:(i)基于动态社区发现算法Dyci的在线社区识别。Dyci的主要思想是跟踪加权图的连通分量是否随着时间的推移而变弱,以便将其与“主导”邻居社区合并。此外,(ii)我们的可视化工具NLCOMS提供了一个社区可视化,它结合了两种动态网络可视化方法。为了评估所提出的方法的效率和适用性,我们考虑了ANR-Info-RSN项目的真实数据,该项目涉及Twitter中的社区分析。
2016-11-14 cs.SI
Latent heterogeneous multilayer community detection
Huawei Noah's Ark Lab(华为诺亚方舟实验室);University of South Florida(南佛罗里达大学);University of Michigan(密歇根大学);GIPSA-lab, University Grenoble-Alpes(格勒诺布尔-阿尔卑斯大学GIPSA实验室);MIT-IBM Watson AI Lab, IBM Research(IBM研究院MIT-IBM沃森人工智能实验室)
提出了一种在多层加权无向网络中同时检测共享和非共享社区的方法。假设多层网络遵循生成概率模型,该模型考虑了社区之间的相似性和差异性。我们利用变分贝叶斯方法联合推断共享和非共享的隐藏社区从多层网络的观察。我们表明,我们的方法在检测合成数据以及真实全基因组成纤维细胞增殖数据集上的不同(共享和私有)社区方面优于最先进的算法。
2019-06-24 cs.LG cs.SI stat.ML
Reciprocity of weighted networks
所有类型的网络都是由成对的顶点组成的二元构建块的复杂组合。在有向网络中,二元模式完全由相互作用决定,即形成或避免相互链接的趋势。互惠性对每个网络的动态过程以及诸如模体和社区等结构的出现具有显著的影响。二元互易性已经得到了广泛的研究:加权网络的互易性仍然知之甚少。我们介绍了一种通用的方法,通过定义捕获观察到的模式(从特定于二元组到特定于顶点和网络范围)的量,并引入分析解决的模型(指数随机图类型)。与直觉相反,以前的互惠措施的基础上的相互链接权重的相似性是没有信息的。相比之下,我们的措施可以分类不同的加权网络,跟踪网络的互惠性的时间演变,识别模式。我们表明,在某些网络的本地互惠结构可以推断出从全球之一。
2013-07-23 cs.SI physics.data-an physics.soc-ph
Mixed membership distribution-free model
School of Economics and Finance, Chongqing University of Technology(重庆理工大学经济金融学院)
本文提出混合隶属分布自由模型,用于重叠加权网络社区检测,并设计谱算法、模糊加权模块度及社区数量确定方法,通过模拟和实际数据验证其有效性。
2024-04-05 cs.LG cs.SI physics.soc-ph
Stratified communities in complex business networks
本文提出了一个新的定义的社区结构的网络,它也考虑到社区是如何分层的。特别是,我们扩展了标准的聚类系数的概念,并提供了本地$l$邻接聚类系数的节点$i$。我们将其定义为距离$i$为$l$的节点的聚类系数的适当加权平均值。与节点$i$相关联的社区的层由$l$到$i$的距离来标识,使得标准聚类系数是层$l=0$处特有的局部$l$ -邻接聚类系数。当距离$l$变化时,局部$l$ -邻接聚类系数然后用于推断对整个网络的社区结构的洞察。在特殊的商业网络上进行了实证实验。特别是,空中交通网络的分析验证了理论的建议,并提供支持其实用性的论据。
2020-04-14 cs.SI physics.soc-ph
Emerging communities in networks - a flow of ties
该研究提出一种由微分方程驱动的网络社区流动搜索方法,通过带符号图划分和有限尺寸Sierpinski三角形社区识别两个实验,验证了方法可恢复连边离散性、处理重叠节点的有效性。
2015-05-23 cs.SI physics.soc-ph
Estimating Network Parameters for Selecting Community Detection Algorithms
研究了社区发现算法的选择问题。社区发现的目的是识别网络中的节点集合,这些节点相对于它们与网络的其余部分的连接性而言是更加互连的。已经开发了大量的算法来解决这个问题,但与任何机器学习任务一样,没有“一刀切”的方法,每个算法都擅长问题空间的特定部分。本文研究了加权网络算法的性能对那些使用未加权网络的问题空间的不同部分(参数化的内部/社区间的链接)。然后,它演示了如何选择算法(加权/不加权)可以只根据观察到的网络。
2010-10-26 cs.SI physics.soc-ph
Finding role communities in directed networks using Role-Based Similarity, Markov Stability and the Relaxed Minimum Spanning Tree
我们提出了一个框架,集群节点在有向网络中根据他们的角色,结合基于角色的相似性(RBS)和马尔可夫稳定性,两种技术的基础上流。首先,我们计算RBS矩阵,其中包含节点之间的成对相似性,根据不同长度的入向和出向路径的缩放数量。然后使用松弛最小生成树(RMST)算法将加权RBS相似性矩阵变换为无向相似性网络,该算法使用RBS矩阵的几何结构来使网络不模糊,使得具有高直接RBS的节点之间的边缘被保留。最后,我们使用马尔可夫稳定性将RMST相似性网络划分为所有尺度的节点角色社区,以找到网络中的一组强大的角色。我们通过生物和人造网络展示我们的框架。
2013-09-06 cs.SI physics.soc-ph q-bio.NC
Modeling sparsity in count-weighted networks
针对加权网络社区检测,提出控制稀疏性并含度校正的概率模型,基于VEM算法实现社区检测,在模拟网络中验证有效性,并应用于巴西机场网络以比较疫情前后社区结构。
2024-11-05 cs.SI stat.ME
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
A Robust Process to Identify Pivots inside Sub-communities In Social Networks
在这项工作中,我们扩展了以前的工作,我们提出了一个合适的状态模型,从Karhunen-Loeve变换构建一个新的决策过程,从中我们可以提取有用的知识和信息,从初始网络中确定的底层子社区。该方法的目的是建立一个多层次的知识检索框架。除了该方法的能力,以减少高维数据,新的检测方案是能够提取,从子社区,密集的子组的定义和制定的新的数量有关的概念的能量和共同能源。节点的能量被定义为它参与活动集合的速率,而协同能量的概念定义了两个节点之间的交互/链接的速率。这两个重要的功能是用来使每个链接加权和有界,使我们能够执行一个彻底的细化的子社区发现。这项研究允许执行多层次的分析,通过提取信息,无论是每链接或每内部子社区。作为这项工作的改进,我们定义了枢轴的概念,将网络中具有最大影响力的节点联系起来。我们建议使用一个彻底的工具的基础上制定的转换一个合适的概率模型到一个可能性模型,以extrac
2018-04-20 cs.SI
Mapping leadership and communities in EU-funded research through network analysis
本文提出一种基于开放数据与网络分析的新方法,通过中心性度量和社区检测算法分析欧盟Horizon计划中的组织合作与领导力,并以North Adriatic Hydrogen Valley项目为案例揭示了氢能领域的核心组织与稳定社区,为政策制定提供框架。
2024-10-25 cs.SI
Reliable Community Search in Dynamic Networks
搜索本地社区是一个重要的研究问题,支持先进的数据分析,在各种复杂的网络,如社交网络,协作网络,蜂窝网络等,随着时间的推移,这种网络的演变,激发了一些最近的研究,以确定本地社区的动态网络。然而,这些研究仅仅利用不相交的结构信息的聚集来衡量社区的质量,而忽略了社区在连续时间段内的可靠性。为了填补这一研究空白,本文提出了一种新的加权动态网络中的$(θ,k)$可靠社区(CRC)模型,并定义了\textit{most reliable community search}问题,该问题耦合了连接强度、内聚结构连续性和最大成员参与度等期望性质.为了解决这个问题,我们首先开发了一种新的边缘过滤的基础上在线CRC搜索算法,可以有效地过滤掉琐碎的边缘信息,从网络中,同时搜索一个\textit{reliable}社区。此外,我们提出了一个索引结构,加权核心森林索引(WCF索引),并设计了一个基于索引的动态规划CRC搜索算法,可以修剪大量的无关紧要的中间结果,并支持高效的查询处理。最后,我们进行了广泛的实验,系统地证明了我们提出的算法的效率和有效性的八个真实的数据集在不同的实验设置。
2022-10-18 cs.DB cs.SI
Constrained information flows in temporal networks reveal intermittent communities
许多现实世界的网络代表动态系统,其交互随时间而变化,通常以不协调的方式和不规则的间隔进行。例如,大学生在间歇性的群体中联系,这些群体根据多种因素反复形成和解散,包括他们的讲座,兴趣和朋友。这样的动态系统可以表示为多层网络,其中每一层表示时间网络的快照。在这种表示中,层之间的链接准确地捕获这些层之间的真实依赖关系至关重要。然而,这些依赖性往往是未知的。因此,当前的方法基于不捕获节点级层依赖性的简单假设来连接层。例如,将每个节点连接到其他层中具有相同权重的节点本身可以消除间歇性组之间的依赖关系,从而难以甚至不可能识别它们。在本文中,我们提出了一个原则性的方法来估计节点级层依赖关系的基础上,在每一层的网络结构。我们实现了我们的节点级耦合方法在社区检测框架Infomap和证明其性能相比,目前的方法合成和真实的时间网络。我们表明,我们的方法更有效地约束多层社区内的信息,使Infomap可以更好地恢复种植群体在多层基准网络,代表多种模式与不同的群体,更好地识别间歇性社区在真实的时间接触网络。这些结果表明,节点级层耦合可以改善时序网络中信息传播的建模,更好地捕捉间歇性社区结构。
2018-06-24 cs.SI physics.soc-ph
Egomunities, Exploring Socially Cohesive Person-based Communities
在过去的几年里,人们对复杂网络中的重叠社区检测产生了极大的兴趣,这被理解为具有低出站密度的密集节点组。到目前为止,大多数用于计算这样的社区的方法源于不相交的社区发现领域,通过将模块化的概念扩展到重叠的上下文中,或者通过尝试将整个节点集分解为几个可能重叠的子集。在这份报告中,我们采取了正交的方法,引入了一个度量,凝聚力,植根于社会学的考虑。内聚度量化了一组给定节点的社区性,基于三角形(连接节点的三元组)和弱联系的概念,而不是仅使用边缘密度的经典观点。如果一组节点具有高密度的三角形,并且与网络的其余部分相交的三角形很少,则该节点具有高凝聚力。因此,我们引入了社区的数值表征:具有高凝聚力的节点集。然后,我们提出了一种新的方法来解决重叠社区的问题,通过引入自我社区的概念,这是主观的社区围绕一个给定的节点,特别是在其邻域内。我们建立在凝聚力,构建一个启发式算法,输出一个节点的自我社区,试图最大限度地提高他们的凝聚力。我们说明了我们的方法的相关性与Facebook的朋友之间的一个人的自我社区的详细描述。最后,我们通过描述自我社区的有前途的应用,如信息推理和兴趣推荐,并提出了一个可能的扩展加权网络的情况下的凝聚力。
2011-02-19 cs.NI cs.SI physics.soc-ph
Estimating the Number of HIV+ Latino MSM Using RDS, SS-PSE, and the Census
本文提出了一种方法来估计的总体规模的隐藏人口使用的结果,从受访者驱动抽样(RDS)调查。我们使用来自拉丁裔MSM社区参与调查(LMSM-CI)的数据,这是一个RDS数据集,包含有关芝加哥和旧金山拉丁裔MSM社区的信息。一个新的模型,在LMSM-CI调查中收集的数据作为一个桥梁,从其他来源的数据使用。特别是,美国社区调查同性户主数据以及加州大学洛杉矶分校威廉姆斯研究所关于LGBT人口的数据与LMSM-CI数据集的当前生活状况数据相结合。从这些来源获得的结果被用作连续抽样人口规模估计(SS-PSE)的先验分布-一种用于创建人口规模概率分布的方法。我们的模型的优势在于它不依赖于RDS调查期间对社区规模的估计,这在其他情况下很容易不准确并且没有用。它允许使用明确、有用的数据(如生活状况)来估计人口规模。
2021-04-23 cs.SI
A Spectral Framework for Tracking Communities in Evolving Networks
University of Cambridge(剑桥大学);University of Michigan(密歇根大学)
本研究提出一种基于格拉斯曼流形子空间追踪的谱框架,将静态谱社区检测方法推广到时变网络场景,通过块黎曼优化方案实现,在多种类型的合成与真实时序网络中均大幅提升了动态社区检测性能。
2024-12-10 cs.LG cs.SI stat.ML
Map equation for link community
社区结构存在于许多现实世界的网络中,并已被报道与网络的几个功能属性。传统的方法是将节点划分为社区,而最近的一些研究开始划分链接而不是节点,以有效地找到重叠的节点社区。我们扩展了地图方程方法,这是最初开发的节点社区,在网络中找到链接社区。在不同类型的网络上进行测试,并与网络元数据进行比较,结果表明该方法能够有效地识别节点的角色重叠。该方法的优点是通过测量网络中除社团结构外的未知信息,可以定量地比较节点社团方案和链路社团方案。它可以用来定量地决定是否应该使用链路社区方案来代替节点社区方案。此外,由于该方法是基于随机游动的,因此可以很容易地推广到有向网络和加权网络。
2011-08-12 cond-mat.stat-mech cs.SI physics.soc-ph
Community Detection in Interval-Weighted Networks
在本文中,我们引入并发展了区间加权网络(IWN)的概念,这是社会网络分析中的一种新方法,其中边缘权重由包含精确信息的闭合区间表示,理解内在的可变性。我们扩展IWN的纽曼的模块化和模块化增益和鲁汶算法(LA),考虑表格表示的网络列联表。我们应用我们的方法在现实世界中的通勤网络在葡萄牙大陆之间的23 NUTS 3地区。区域的最佳分区开发和比较使用两种新的不同的方法,指定为“经典百叶窗”(CL)和“混合百叶窗”(HL),允许考虑到在原始网络中观察到的变化,从而最大限度地减少原始数据中存在的信息的损失。我们的研究结果表明,在三个主要社区的23个葡萄牙地区的分工。然而,我们发现不同的地理分区,根据社区发现的方法。这种分析在许多现实世界的应用中可能是有用的,因为它考虑到权重可能在范围内变化,而不是恒定的。
2021-06-18 cs.SI
Followers Are Not Enough: A Question-Oriented Approach to Community Detection in Online Social Networks
在线社交网络中的社区发现通常基于对用户之间的显式连接(诸如Facebook上的“朋友”和Twitter上的“追随者”)的分析。但在线用户通常有数百甚至数千个这样的连接,其中许多连接并不对应于真正的友谊,或者更一般地说,与用户互动的帐户。我们认为,在线社交网络中的社区发现应该是面向问题的,并依赖于网络简单结构之外的额外信息。“社区”的概念非常普遍,不同的问题,如“我们与谁互动?“和“我们与谁有共同利益?“可以发现不同的社会群体。在本文中,我们专注于三种类型的社区结构社区:基于活动,基于主题,基于互动。我们使用三种不同的结构网络权重来分析Twitter数据集,以突出这三种社区类型,然后推断与这些权重相关的社区。我们表明,在三种加权情况下得到的社区是非常不同的,从社区只考虑未加权的结构网络。我们的研究结果证实,提出一个精确的问题是在线社交网络中社区发现不可避免的第一步,不同的问题可以导致对所研究网络的不同见解。
2014-08-19 cs.SI 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
Community Detection in Weighted Multilayer Networks with Ambient Noise
我们介绍了一种新的模型,多层加权网络,占全球噪声除了本地信号。该模型类似于多层随机块模型(SBM),但关键的区别在于,块之间的相互作用在整个系统中是常见的,我们称之为环境噪声。单个块也由这些固定的环境参数表征,以表示不属于其他任何位置的成员。这种方法允许同时将块聚类和类型化为信号或噪声,以便更好地理解它们在整个系统中的作用,这是现有块模型所不能解释的。我们采用了一种新的应用分层变分推理,共同检测和区分类型的块。我们把这种多层加权网络模型称为随机块(带)环境噪声模型(SBANM),并开发了一个相关的社区发现算法。我们将这种方法应用于费城神经发育队列中的受试者,以发现与精神病相关的并发精神病理学受试者的社区。
2022-07-24 cs.SI physics.soc-ph stat.AP
Graphlet decomposition of a weighted network
Harvard University(哈佛大学)
我们介绍了一个加权网络的graphlet分解,它基于社会结构编码社会信息的概念。我们开发了一个可扩展的推理算法,它结合了EM与Bron-Kerbosch在一个新的方式,使用一个网络样本来估计模型的参数。我们探讨了一些理论性质的图分解,包括计算复杂度,冗余和预期的准确性。我们在合成数据和真实数据上演示了graphlets。我们分析了19世纪Facebook和犯罪组织的信息模式。
2012-03-13 cs.LG cs.SI physics.soc-ph
Matrix-weighted networks for modeling multidimensional dynamics
Nordita, Stockholm University and KTH Royal Institute of Technology(北欧理论物理研究所、斯德哥尔摩大学及皇家理工学院);School of Systems Science and Industrial Engineering, Binghamton University(宾汉姆顿大学系统科学与工业工程学院);Waseda University(早稻田大学);University of Oxford(牛津大学)
针对传统标量权重网络难以刻画现实系统多维相互作用的问题,研究提出矩阵加权网络(MWNs)通用框架,阐述其数学基础并研究共识动力学与随机游走,发现其相干性产生的稳态可推广传统网络的社区与结构平衡概念。
2024-10-07 cs.LG cs.SI math-ph