Hierarchical community detection benchmark for heterogeneous inter-community connectivity
本文提出分层基准HGLFR,在保留LFR和GLFR特性的基础上引入异质社区间连接,可生成触发分辨率极限且保持同配连接的网络,用于改进社区检测算法的评估。
2025-03-12 cs.SI
Multi-View Community Detection in Facebook Public Pages
社交网络中的社区发现由于其在揭示人们如何连接和交互方面的重要性而被广泛研究。然而,很少有人关注Facebook公共页面中的社区结构。在这项研究中,我们调查的社区发现问题,在Facebook的新闻组页面。特别是,为了处理用户活动的多样性,我们应用多视图聚类来整合不同的视图,例如,喜欢的帖子和喜欢的评论。在这项研究中,我们探索的社区结构,不仅在一个给定的单一页面,但在多个页面。结果表明,该方法能有效地减少分离株,提高群落结构质量。
2018-12-06 cs.SI
An improved spectral clustering method for mixed membership community detection
社区发现近年来得到了很好的研究,但更现实的情况下,混合成员社区发现仍然是一个挑战。在这里,我们开发了一个有效的频谱算法Mixed-ISC的基础上,应用超过K个特征向量聚类给定K个社区,估计社区成员的度校正的混合成员(DCMM)模型。我们证明了该算法是渐近相容的。模拟网络和许多经验网络的数值实验表明,混合ISC表现良好的混合成员社区发现的基准方法相比。特别是,混合ISC在弱信号网络上提供了令人满意的性能。
2020-12-11 cs.SI
Social Network Community Detection Based on Textual Content Similarity and Sentimental Tendency
共享出行逐渐成为微博等社交平台上讨论的热点话题之一。及时对社交网络中共享出行的评价内容进行更深层次的网络社区发现,可以有效地对共享出行相关的舆论导向进行研究分析,具有很大的应用前景。现有的社区发现算法一般从空间距离的角度来度量网络中节点的相似性。提出了一种基于文本内容相似度和情感倾向的社区发现算法(CTST),同时考虑了网络结构和节点属性。将网络社区用户的内容相似度和情感倾向作为节点属性,在此基础上构建无向加权网络进行社区发现。本文用实际数据进行了实验,并对实验结果进行了分析。实验结果表明,社区发现结果模块化程度高,效果较好。
2022-06-22 cs.SI
Individual Fairness in Community Detection: Quantitative Measure and Comparative Evaluation
LIACS, Leiden University(莱顿大学计算科学研究所)
本文提出了一种量化社区检测中个体公平性的度量方法,并通过实验比较了不同算法在公平性与性能之间的权衡,揭示了个体公平性与群体公平性不可互换性。
2026-02-18 cs.SI
Community Detection Using Slow Mixing Markov Models
图中的\emph{community detection}的任务形式化了将顶点子集分组在一起的直观任务,使得集群内的顶点比不同集群中的顶点连接得更紧密。本文通过在图上构造马尔可夫随机游动来研究图中的社区发现问题。然后,随机游走的混合特性被用来识别社区。我们使用过去的耦合作为算法原语,将行走的混合属性转化为揭示图的社区结构。我们分析了我们的算法在特定图结构上的性能,包括随机块模型(SBM)和LFR随机图。
2015-10-09 cs.SI
GA Based Q-Attack on Community Detection
社区发现在社交网络中起着重要的作用,因为它可以帮助自然地将网络划分为更小的部分,从而简化网络分析。然而,另一方面,它引起了个人信息可能被过度挖掘的担忧,因此提出了社区欺骗的概念,以保护社交网络上的个人隐私。在这里,我们介绍和形式化的问题,社区发现攻击和开发有效的策略,攻击社区发现算法通过重新布线少量的连接,导致个人隐私保护。特别地,我们首先给出两种启发式攻击策略,即,社区发现攻击(CDA)和基于度的攻击(DBA)作为基准,分别利用检测到的社区结构和节点度信息。在此基础上,提出了一种基于遗传算法的Q攻击算法。在两个社交网络上对三种基于模块化的社区发现算法进行了基于上述三种策略的社区发现攻击。通过比较,我们的Q攻击方法取得了更好的攻击效果比CDA和DBA,在更大的减少模块性Q和归一化互信息(NMI)。此外,我们还发现Q-Attack算法对特定社区发现算法的攻击所得到的对抗网络对其他算法的攻击仍然有效,无论它们是否是基于模块的,这表明Q-Attack算法具有很强的可移植性。
2019-05-05 cs.SI
Spatial-Aware Local Community Detection Guided by Dominance Relation
在地理社交网络中定义和研究了为给定节点寻找空间感知社区的问题。然而,现有的研究遭受两个局限性:a)定义社区的标准是由参数,这是很难设置; b)算法可能需要全局信息,不适合的情况下,网络是不完整的。因此,我们提出了空间感知的局部社区发现(SLCD),它发现的空间感知的局部社区只有本地信息,并定义社区的基础上的边缘的稀疏性的差异内和社区外。针对SLCD问题,设计了一种基于优势关系的空间感知局部社区发现算法,但该算法代价较高。为了进一步提高效率,我们提出了一个近似算法。实验结果表明,该近似算法的性能优于比较算法.
2022-03-29 cs.SI
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构,是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户,其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的,但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中,为了更好地支持实际应用,我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题,我们提供了两个随机算法,这是能够找到一个高概率的最佳分区。在基准网络上的实验表明,所提出的算法能够产生高质量的社区。
2016-07-01 cs.SI physics.soc-ph
Community Detection in Signed Networks: an Error-Correcting Code Approach
在本文中,我们考虑了签名网络中的社区发现问题,其中有两种类型的边缘:积极的边缘(朋友)和消极的边缘(敌人)。一个著名的签名网络定理,被称为Harary定理,指出结构平衡的签名网络是可聚类的。通过将签名网络中的每个循环视为奇偶校验约束,我们证明了具有两个社区的签名网络中的社区发现问题等价于奇偶校验码的解码问题。我们还展示了如何使用两个著名的解码算法在纠错码的社区发现在签署的网络:位翻转算法,和信念传播算法。除了这两个算法,我们还提出了一个新的社区发现算法,称为汉明距离算法,执行社区发现通过找到一个码字,最大限度地减少汉明距离。我们比较这三种算法的性能进行各种实验与已知的地面真相。我们的实验结果表明,我们的汉明距离算法优于其他两个。
2017-05-11 cs.SI
CommunityGAN: Community Detection with Generative Adversarial Nets
Shanghai Jiao Tong University(上海交通大学)
社区发现是指发现具有相似属性或功能的顶点组,从而理解网络数据的任务。随着最近深度学习的发展,图表示学习技术也被用于社区发现。然而,社区只能通过应用基于学习的顶点嵌入的聚类算法来推断。K-means和Gaussian Mixture Model等常用的聚类算法不能产生大量的重叠社区,这在现实网络中是非常普遍的。在本文中,我们提出了CommunityGAN,一个新的社区发现框架,共同解决重叠的社区发现和图表示学习。首先,与传统的图表示学习算法的嵌入不同,其中向量条目值没有特定的含义,CommunityGAN的嵌入指示顶点对社区的成员关系强度。其次,采用专门设计的生成对抗网络(GAN)来优化这种嵌入。通过模体级生成器和搜索引擎之间的极大极小竞争,两者可以交替迭代地提高性能,最终输出更好的社区结构。对合成数据和现实任务的广泛实验表明,CommunityGAN在最先进的方法上实现了显著的社区发现性能增益。
2019-12-16 cs.AI cs.SI
Ensemble approaches for improving community detection methods
Linkoping University(林雪平大学);Umeå University(于默奥大学);Swedish Defence Research Agency(瑞典国防研究局)
统计估计往往可以通过融合来自几个不同来源的数据来改进。一个例子是所谓的集成方法,它已成功应用于机器学习等领域,用于分类和聚类。在本文中,我们提出了一种集成方法,以提高社区检测聚合的信息发现在一个合奏的社区结构。这个集合可以通过重新采样方法、多次运行随机社区检测方法或应用于同一网络的几种不同社区检测算法来发现。使用随机网络的社区结构,并与两种常用的社区检测方法进行了比较,所提出的方法进行了评估。所提出的方法应用于随机社区检测算法时,表现良好,计算复杂度低,从而提供了一种新的方法来社区检测和额外的社区检测方法。
2013-09-01 cs.LG cs.SI physics.soc-ph
Community Detection by a Riemannian Projected Proximal Gradient Method
社区发现在理解和利用复杂系统的结构方面起着重要的作用。已经开发了许多使用模块化最大化或其他技术进行社区发现的算法。本文将社区发现问题转化为紧致Stiefel流形上的约束非光滑优化问题。提出了一种黎曼投影邻近梯度法并用于求解该问题。据我们所知,这是第一次尝试使用黎曼优化的社区发现问题。在合成基准测试和真实网络上的数值实验结果表明,该算法是有效的,性能优于几个最先进的算法。
2020-09-25 cs.SI math.OC
From Community Detection to Community Deception
University of Calabria(卡拉布里亚大学);Institute for High Performance Computing and Networking, ICAR-CNR(高性能计算与网络研究所,ICAR-CNR)
社区欺骗问题是关于如何从社区发现算法中隐藏目标社区C。每当一组实体(例如,积极分子、警察执法部门)希望合作,同时隐瞒他们作为一个社区的存在。在本文中,我们介绍和形式化的社区欺骗问题。为了解决这个问题,我们描述了仔细重新连接C的成员的算法。我们的实验表明,如何现有的社区发现算法可以欺骗,并通过引入欺骗分数量化的欺骗水平。我们相信,我们的研究是有趣的,因为,同时显示如何欺骗可以实现它提高了意识的设计新的检测算法鲁棒欺骗技术。
2016-09-01 cs.AI cs.SI physics.soc-ph
Generative models for local network community detection
局部网络社区发现的目标是在一个大型网络中找到一个社区,同时只检查给定种子节点周围的一小部分网络。这比查找网络中的所有社区要便宜得多。大多数用于局部社区发现的方法被公式化为ad-hoc优化问题。在这项工作中,我们从具有社区结构的网络的生成模型开始。通过假设网络是均匀的,我们可以近似网络中未观察到的部分的结构,以获得局部社区发现的方法。我们将这种局部近似技术应用于随机块模型的两个变体。据我们所知,这导致了第一个基于概率模型的局部社区发现方法。有趣的是,在极限中,所提出的近似之一对应于电导,这是该领域中的一个流行度量。在真实数据集和合成数据集上的实验表明,与最先进的本地社区发现算法相比,该算法具有可比性或改进的结果。
2018-04-12 cs.SI stat.ML
Exact Recovery of Community Detection in k-Community Gaussian Mixture Model
University of Connecticut(康涅狄格大学)
本文研究了高斯混合模型上的社区发现问题,其中顶点被划分为$k\geq 2$不同的社区.我们模型的主要区别在于,对于观测矩阵中的不同条目,高斯扰动的强度是不同的,并且我们不假设每个社区都有相同数量的顶点。我们明确地找到最大似然估计的精确恢复的阈值。应用包括超图上的社区发现。
2020-08-29 cs.LG cs.SI math.PR
EntropyWalker, a Fast Algorithm for Small Community Detection in Large Graphs
这份报告提出了一个非常简单的算法,用于在大型图中进行社区检测,例如允许的最小和最大成员数。该算法是基于随机游走的模拟和测量的熵,每个随机游走检测社区的发现。
2015-05-10 cs.SI physics.soc-ph
Quadratic Optimization based Clique Expansion for Overlapping Community Detection
社区发现是分析社会和生物网络的关键,在过去的二十年里,已经提出了全面的方法。然而,在大型网络中找到所有重叠的社区,可以准确地近似地面真相社区仍然具有挑战性。在这项工作中,我们提出了QOCE(基于二次优化的团扩展),重叠的社区发现算法,可以扩展到大型网络的数十万个节点和数百万的边缘。QOCE算法遵循当前流行的种子集扩展策略,以每个高质量的最大团作为初始种子集,采用二次优化的方法进行扩展。我们广泛评估我们的算法28合成LFR网络和6个真实世界的网络的各个领域和规模,并比较QOCE与四个国家的最先进的重叠社区发现算法。实验结果表明,所提出的方法在检测精度,效率和可扩展性方面具有竞争力的性能。
2020-11-03 cs.SI
Beyond One Solution: The Case for a Comprehensive Exploration of Solution Space in Community Detection
Area Science Park(科学园区);University of Trieste(的里雅斯特大学)
本文提出通过贝叶斯框架全面探索社区检测的解空间,以提高结果可靠性并优化计算资源使用。
2024-10-25 cs.SI
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
A Survey on Theoretical Advances of Community Detection in Networks
George Mason University(乔治梅森大学)
现实世界的网络通常具有社区结构,即节点被分组为密集连接的社区。社区发现是网络科学中最受欢迎和研究最多的研究课题之一,并且已经引起了包括计算机科学、统计学、社会科学等许多不同领域的关注。在文献中已经提出了许多用于社区发现的方法,从ad-hoc算法到基于系统模型的方法。大量可用的方法导致了一个基本问题:某种方法是否可以提供一致的社区标签估计。随机块模型(SBM)和它的变种提供了一个方便的框架,研究这样的问题。本文综述了社区发现理论的最新进展。作者回顾了一些社区发现方法及其理论性质,包括图切割方法,剖面似然,伪似然方法,变分方法,信念传播,谱聚类,和半定松弛的SBM。作者还简要讨论了社区发现中的其他研究课题,如鲁棒社区发现、节点协变量的社区发现和模型选择,并提出了未来研究的几个可能方向。
2018-08-26 cs.LG cs.SI stat.ML
UCoDe: Unified Community Detection with Graph Convolutional Networks
本文提出 UCoDe,利用图卷积网络和宏观节点相似性对比损失,在属性图中统一完成重叠与非重叠社区检测,并在真实数据上取得稳定领先性能。
2023-11-02 cs.SI
Community Detection in Degree-Corrected Block Models
社区发现是网络数据分析的核心问题。给定一个网络,社区检测的目标是将网络节点划分为少量的集群,这通常有助于揭示有趣的结构。本文研究度校正块模型(DCBMs)中的社区发现问题。我们首先推导出在适当的条件下,错误分类比例损失问题的渐近极小极大风险。极大极小风险取决于度校正参数,社区规模,平均内和社区之间的连接在一个直观的和可解释的方式。此外,我们提出了一个多项式时间算法自适应执行一致的,甚至渐近最优的社区检测DCBM。
2016-07-24 cs.SI math.ST stat.ML
Community Detection Algorithm Evaluation using Size and Hashtags
了解社交媒体中的社区结构至关重要,因为它有着广泛的应用,如朋友推荐、链接预测和协同过滤。然而,在文献中没有广泛接受的社区定义。现有的工作使用结构相关的指标,如模块化和功能相关的指标,如地面真理来衡量社区发现算法的性能,而忽略了一个重要的指标,社区的大小。[1]建议在社交媒体上有密切联系的社区的规模应限制在150人以内。正如我们在本文中所发现的,许多流行的社区发现算法所获得的大多数社区要么非常小,要么非常大。太小的社区没有实际价值,太大的社区包含弱连接,因此不稳定。在本文中,我们比较各种社区发现算法考虑以下指标:社区的大小,社区的覆盖率,扩展模块化,三角参与率,和用户在同一社区的兴趣。我们还提出了一个简单的集团为基础的算法社区发现作为比较的基线。实验结果表明,我们提出的算法和公认的不相交算法InfoMap在所有的指标表现良好。
2016-12-11 cs.SI physics.soc-ph
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
Community Detection of Complex Network Based on Graph Convolution Iterative Algorithm
本文提出一种结合随机采样、节点距离属性矩阵与图卷积迭代的复杂网络社区发现方法,并通过模块度及多类网络实验验证其有效性。
2024-11-28 cs.SI
SCOUT: simultaneous time segmentation and community detection in dynamic networks
许多演化的复杂系统可以通过动态网络建模。动态网络研究中的一个重要问题是社区发现,它识别拓扑相关的节点组。通常,这个问题是通过假设每个时间点都有一个不同的社区组织或所有时间点共享一个社区组织来解决的。事实上,真相可能介于这两个极端之间,因为在某些时期,社区组织可以发展,而在另一些时期,社区组织可以保持不变。为了找到折中的方法,我们考虑在分段检测问题的背景下进行社区发现,该分段检测识别具有一致网络结构的连续时间段。因此,我们制定了一个组合的问题段社区发现(SCD),同时分区网络连续的时间段与一致的社区组织,并发现这个社区组织为每个段。为了解决SCD,我们引入了SCOUT,一个明确考虑分割质量和分区质量的优化框架。SCOUT解决了可以适于解决SCD的现有方法的限制,其通常仅考虑分割质量或分区质量中的一个。在一个全面的评估,SCOUT优于现有的方法在精度和计算复杂性。
2016-05-05 cs.SI physics.soc-ph
Information flow simulation community detection of weighted-directed campus friendship network in continuous time
针对传统校园好友网络及社区检测缺乏时间特征的问题,本文重构连续时间加权有向校园好友网络并提出对应社区检测算法,实验证明其效果更优,且同社区学生在消费、饮食、行为上具相似性,丰富了相关理论并为学生管理提供指导。
2023-05-03 cs.CY cs.SI
Ensemble-based Overlapping Community Detection using Disjoint Community Structures
虽然已经有大量的方法来检测不相交的社区从现实世界的复杂网络,最近也提出了一些方法来检测重叠的社区结构。在这项工作中,我们认为,而不是开发单独的方法来检测重叠的社区,一个有前途的替代方案是从多个不相交的社区结构来推断重叠的社区。我们提出了一个集成为基础的方法,称为EnCoD,利用各种不相交的社区发现算法,发现重叠的社区结构产生的解决方案。具体来说,EnCoD根据基本算法的结果为每个顶点生成一个特征向量,并学习哪些特征可以以无监督的方式检测密集连接的重叠区域。它不断迭代,直到每个顶点属于自己社区的可能性最大化。在合成网络和几个真实网络(具有已知的真实社区结构)上的实验表明,EnCoD的性能明显优于9种最先进的重叠社区发现算法。最后,我们证明了EnCoD是通用的,足以应用于网络中的顶点与明确的语义特征。据我们所知,EnCoD是继MEDOC之后的第二种基于集合的重叠社区发现方法[1]。
2018-08-19 cs.SI physics.soc-ph
Constrained Spectral Clustering for Dynamic Community Detection
网络是许多具有交互实体的系统的有用表示,例如社会,生物和物理系统。描述中尺度组织即社团结构是网络科学的一个重要问题。社区检测的目的是将网络划分为内部连接密集但与其他密集节点集稀疏连接的节点集。目前的社区检测工作主要集中在静态网络上。然而,许多现实世界的网络是动态的,即它们的结构和属性随时间变化,需要动态社区检测的方法。在本文中,我们提出了一个新的随机块模型(SBM)的社区成员的演化建模。与现有的SBM不同,所提出的模型允许每个社区以不同的速度发展。这个新的模型被用来推导出一个最大后验估计社区检测,它可以被写为一个受约束的谱聚类问题。特别地,每个社区的转移概率在每个时间点修改图邻接矩阵。该公式提供了动态网络的统计网络推理和谱聚类之间的关系。所提出的方法进行评估模拟和真实的动态网络。
2019-11-04 cs.SI physics.soc-ph
CLARE: A Semi-supervised Community Detection Algorithm
社区发现是指发现紧密相关的子图以理解网络的任务。然而,传统的社区发现算法无法精确定位特定类型的社区。这限制了它在现实世界网络中的适用性,例如,在交易网络中区分欺诈集团和正常集团。最近,半监督社区发现作为一种解决方案出现。它的目的是寻找网络中的其他类似社区,很少标记的社区作为训练数据。现有的工作可以被认为是基于种子的:定位种子节点,然后围绕种子开发社区。然而,这些方法对所选择的种子的质量非常敏感,因为在误检测的种子周围生成的社区可能是不相关的。此外,他们有个别问题,例如,可扩展性和高计算开销。为了解决这些问题,我们提出了社区重写器,它包括两个关键组件,社区重写器和社区重写器。我们的想法是,我们可以找到潜在的社区,然后完善它们。因此,社区定位器提出了快速定位潜在的社区,通过寻找类似的子图在网络中的训练。为了进一步调整这些已定位的社区,我们设计了社区重写器。通过深度强化学习的增强,它建议智能决策,例如添加或删除节点,以灵活地优化社区结构。大量的实验验证了我们的工作的有效性和效率相比,现有的国家的最先进的方法在多个真实世界的数据集。
2022-10-15 cs.SI
SGPD Volume Maximization for Community Detection
在这篇笔记中,我们简要地研究了在复杂网络中使用外围顶点进行社区检测的可行性。我们的方法提出了一个新的方向公理化的问题,聚类图和复杂的网络,通过查看每个顶点在社区结构中发挥的拓扑作用,无论属性。伪外围顶点作为复杂网络分析的杠杆的有前途的力量也证明了对现实世界的数据。
2015-11-04 cs.SI physics.soc-ph
Ensemble-Based Discovery of Disjoint, Overlapping and Fuzzy Community Structures in Networks
虽然数据采掘中的集成聚类已经做了大量的工作,但集成方法在网络社区发现中的应用还处于起步阶段。在本文中,我们提出了两种集成方法:ENDISCO和MEDOC。ENDISCO执行不相交的社区发现。相比之下,MEDOC执行不相交,重叠,和模糊社区发现,并代表了第一次集成方法模糊和重叠社区发现。我们运行广泛的实验,这两种算法对合成和几个真实世界的数据集,社区结构是已知的。我们表明,ENDISCO和MEDOC都击败了最著名的现有独立的社区发现算法(虽然我们强调,他们利用他们)。在不相交的社区发现的情况下,我们表明,ENDISCO和MEDOC击败现有的集成社区发现算法无论是在多个准确性措施和运行时间。我们进一步表明,我们的集成算法可以帮助探索网络社区的核心-外围结构,识别动态网络中的稳定社区,并帮助解决“解的退化”问题,产生强大的结果。
2017-12-06 cs.SI physics.soc-ph
Community Detection in Hypergraphs via Mutual Information Maximization
本文提出一种基于互信息最大化的超图社区检测算法,通过微正则随机块模型和模拟退火进行推断,无需估计节点度等参数,并在稀疏随机超图和多个数据集上取得接近理论阈值及有竞争力的聚类效果。
2023-08-08 cs.DM cs.SI math.CO
Krylov Subspace Approximation for Local Community Detection in Large Networks
社区发现是发现大型网络中模块结构的重要信息挖掘任务。对于越来越常见的大型网络数据集,全球社区发现是非常昂贵的,并且注意力已经转移到挖掘本地社区的方法,即从一些标记的种子成员中识别特定社区的所有潜在成员。为了解决这样的半监督挖掘任务,我们系统地开发了一个局部谱子空间为基础的社区发现方法,称为LOSP。我们定义了一个家庭的局部谱子空间的基础上Krylov子空间,并寻求一个稀疏的指标,通过$\ell_1$范数最小化的Krylov子空间的目标社区。LOSP的变体取决于具有不同扩散速度的随机游动的类型、随机游动的类型、局部谱子空间的维数和扩散的步长。基于瑞利因子理论分析了所提出的LOSP方法的有效性,并在社会,生产和生物领域的各种现实网络以及一组广泛的合成LFR基准数据集上进行了实验验证。
2019-05-16 cs.SI
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
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展,在线社交网络(OSNs)得到了快速发展,并日益流行。同时,跨多个社交网络的研究也越来越受到研究者的关注,而社区发现是跨OSN的网络安全问题的重要研究内容,主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念,然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上,通过添加具有较强相似性的用户,扩展不同社交网络中的存根社区,最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 cs.SI
New Recipe for Semi-supervised Community Detection: Clique Annealing under Crystallization Kinetics
Singapore Management University(新加坡国立管理大学);Fuxi AI Lab, NetEase, Inc(Foxi人工智能实验室,网易公司)
针对现有半监督社区检测方法核心候选不合理及可扩展性差的问题,本文类比结晶动力学提出CLANN算法,通过团退火优化核心并采用无学习传递退火器增强可扩展性,在43种网络设置上优于现有方法。
2025-10-06 cs.AI cs.SI
A divisive spectral method for network community detection
社区发现是复杂网络分析中的一个基本问题。它受到了极大的关注,在过去的十年中提出了许多社区发现方法。本文提出了一种区分谱方法来识别网络中的社团结构,该方法首先利用稀疏化操作对网络进行预处理,然后利用重复二分谱算法对网络进行社团划分.稀疏化操作使得社团边界更加清晰、尖锐,从而使得重复谱平分算法能够从稀疏化后的网络中准确地提取出高质量的社团结构。实验结果表明,网络稀疏化与谱平分算法的结合是非常成功的,该方法在检测网络社团结构方面比其他方法更有效。
2015-07-13 cs.SI physics.soc-ph
Correlation-Based Community Detection
从复杂网络中挖掘社区结构是一个跨领域的重要问题。许多现有的社区发现方法通过优化社区评价函数来检测社区。然而,这些函数中的大多数甚至在随机图上具有很高的值,并且可能无法检测大规模网络中的小社区(所谓的分辨率限制问题)。在本文中,我们引入了两个新的节点为中心的社区评价功能,通过相关性分析与社区发现。我们将进一步表明,相关性分析可以提供一个新的理论框架,它统一了一些现有的评价函数的背景下,基于相关性的优化问题。在此框架下,我们可以通过选择合适的相关函数来缓解分辨率极限问题并消除随机波动的影响。此外,我们将关联规则挖掘中的三个关键属性引入到社区发现中,以帮助我们选择合适的相关函数。基于我们引入的相关函数,我们提出了一个社区发现算法CBCD。我们提出的算法优于现有的国家的最先进的算法在合成基准网络和现实世界的网络。
2019-04-09 cs.SI physics.soc-ph
Role-based Label Propagation Algorithm for Community Detection
网络的社区结构提供了对其组织结构和功能行为的全面洞察。LPA是最常用的社区发现算法之一,具有近似线性的时间复杂度。但由于引入了随机性,导致其稳定性差,容易出现怪物群落。我们注意到,不同的面向社区的节点角色以不同的方式影响标签传播。在本文中,我们提出了一个基于角色的标签传播算法(roLPA),在其中使用了关于面向社区的节点角色的算法。我们已经评估了所提出的算法在真实和人工网络。结果表明,roLPA是国家的最先进的社区发现算法相媲美。
2016-01-23 cs.SI physics.data-an physics.soc-ph
Multiscale Evolutionary Perturbation Attack on Community Detection
社区发现的目的是根据节点之间的连接关系对节点进行分组,它在网络分析中起着重要的作用,因为社区被视为元节点,允许我们创建一个大规模的网络地图,以简化其分析。然而,出于隐私原因,我们可能希望在某些情况下防止社区被发现,从而导致社区欺骗的话题。在本文中,我们形式化这个社区发现攻击问题在三个尺度,包括全球攻击(宏观),目标社区攻击(中尺度)和目标节点攻击(微观)。我们将其视为一个优化问题,并进一步提出了一种新的进化扰动攻击(EPA)方法,在那里我们生成对抗网络来实现社区发现攻击。数值实验验证了我们的EPA可以成功地攻击所有三个尺度上的网络社区算法,即,隐藏目标节点或社区,并通过仅改变一小部分链接来进一步扰乱整个网络的社区结构。相比之下,我们的EPA在六个合成网络和三个真实网络上的表现优于一些基线攻击方法。更有趣的是,虽然我们的EPA是基于louvain算法,它也是有效的攻击其他社区发现算法,验证了其良好的可移植性。
2021-02-08 cs.SI physics.soc-ph
Enhancing community detection by local structural information
许多现实世界的网络,如基因网络,蛋白质-蛋白质相互作用网络和代谢网络表现出社区结构,这意味着网络中存在密集连接的顶点组。网络中的许多局部相似性度量与社区结构的概念密切相关,对网络中的社区发现有积极的作用。在这里,各种局部相似性措施被用来提取局部结构信息,然后被应用到社区检测网络中使用的边缘重加权策略。社区检测的局部相似性措施的效果进行了仔细研究,并在各种网络中进行了比较。实验结果表明,局部相似性度量对社区检测方法的改进至关重要,而局部相似性度量的积极效果与所研究的网络和所应用的社区检测方法密切相关。
2016-01-04 cs.SI physics.data-an physics.soc-ph
Improving the Accuracy of Community Detection on Signed Networks via Community Refinement and Contrastive Learning
Chungbuk National University(Chungbuk国立大学);Ulsan National Institute of Science and Technology (UNIST)(乌山国立科学技术研究院)
ReCon通过社区细化和对比学习提升带符号网络社区检测的准确性,有效增强社区检测的可靠性。
2026-01-23 cs.AI cs.SI
Joint Nonnegative Matrix Factorization for Community Structures Detection in Signed Networks
符号网络中的社团结构检测对于理解符号网络的拓扑结构以及符号网络的功能(如信息扩散、传染病传播等)具有重要意义.本文提出了一种联合非负矩阵分解模型来检测社团结构.此外,我们提出了修改的分区密度来评估社区结构的质量。我们使用它来确定社区的适当数量。我们的方法的有效性证明了基于合成和现实世界的网络。
2018-07-22 cs.SI physics.soc-ph
Metrics matter in community detection
我们提出了一个重要的评价归一化互信息(NMI)作为评价指标的社区发现。NMI夸大了leximin方法在弱社区上的性能:leximin在寻找平凡的单例聚类时,真的优于其他八种社区发现方法吗?来自文献的三种NMI改进是AMI、rrNMI和cNMI。我们在相关随机模型下显示了等效性,并且为了评估社区发现,我们建议在$\mathbb{M}_{\mathrm{all}}$模型($n$节点的所有分区)下单侧AMI。这项工作的目的是(1)开始关于健全的衡量标准的对话,(2)倡导不提供“免费午餐”的评价。
2019-01-05 cs.SI physics.soc-ph
The many facets of community detection in complex networks
社区发现是将图分解为基本构建块的过程,是近年来网络科学的核心研究课题。由于什么构成社区的精确概念仍然是模糊的,社区发现算法经常在基准图上与特定形式的替代社区结构进行比较,并根据它们采用的数学技术进行分类。然而,这种比较可能会产生误导,因为它们的数学机制中明显的相似之处可能会掩盖不同的目标和原因,而这些目标和原因正是我们首先要采用社区发现的原因。在这里,我们提供了这些不同的动机,支持社区发现的重点审查。这种问题驱动的分类在应用网络科学中很有用,在应用网络科学中,为给定的目的选择合适的算法是很重要的。此外,强调不同方面的社区发现也划定了许多线的研究,并指出开放的方向和途径,为未来的研究。
2017-02-15 cs.SI physics.data-an 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
Case studies in network community detection
社区结构描述了网络到子图的组织,子图包含每个子图内的边的普遍性和子图之间边界上相对较少的边。社区检测方法的发展跨越了各个学科,提出了许多不同的算法来寻找社区。正如我们在本章中通过几个案例研究所展示的那样,社区检测不仅仅是一个“最终游戏”本身,而是分析网络数据的一个步骤,然后对感兴趣的学科领域的进一步研究很有用。这些案例研究的例子来自不同的应用,从社会和政治科学到神经科学和遗传学,我们选择它们来展示社区检测的关键方面,并强调社区检测在实践中应该由手头的应用程序来指导。
2017-05-05 cs.SI physics.data-an physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义,它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题,提出了一种新的社区发现算法,该算法引入了链接预测.对于链接预测,我们提出了两个新的索引来计算每对节点之间的相似性,其中一个旨在添加丢失的链接,另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验,并将该算法的结果与两类基线进行了比较。总之,我们提出的算法是有竞争力的,揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Local Core Members Aided Community Structure Detection
社交网络中的朋友关系可能很强,也可能很弱。一些研究工作表明,朋友之间的亲密关系会产生良好的社区结构。在此基础上,我们提出了一种基于邻居关系紧密度的社交网络社区结构检测方法。该方法通过计算每个邻居节点对核心节点的引力,判断该节点是否属于社区,最终形成社区发现过程。实验结果表明,该方法能够以较低的计算复杂性有效地挖掘社会结构
2017-10-31 cs.SI physics.soc-ph
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
Community Structure Detection in Complex Networks with Partial Background Information
约束聚类在无监督学习领域得到了广泛的研究。然而,如何在复杂网络中将约束编码到社区结构检测中仍然是一个具有挑战性的问题。在本文中,我们提出了一个半监督学习的社区结构检测框架。该框架通过修改网络的邻接矩阵隐式地编码了必须连接和不能连接的约束,也可以看作是对社团结构的一致性矩阵进行了去噪处理。我们提出的方法考虑了复杂网络的拓扑结构和功能(背景信息),这增强了结果的可解释性。在合成基准测试和真实网络上进行的比较表明,该框架能够在较少约束条件下显著提高社区发现性能,是复杂网络分析中一种有吸引力的方法.
2013-03-22 cs.SI physics.soc-ph
From Community Detection to Community Profiling
Advanced Digital Sciences Center(高级数字科学中心);The University of Queensland(昆士兰大学);Zhejiang University City College(浙江大学城市学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
现有的大多数社区相关的研究集中在检测,其目的是发现社区成员为每个用户从用户的友谊链接。然而,如果没有关于社区是什么以及如何与其他社区互动的完整概况,仅仅是成员资格的应用有限。这促使我们考虑系统地分析社区,从而开发有用的社区级应用程序。在本文中,我们第一次正式的概念,社区剖析。随着丰富的用户信息在网络上,如用户发布的内容和用户的扩散链接,我们表征一个社区的内部内容配置文件和外部扩散配置文件。社区特征分析的难度往往被低估。我们新颖地确定了三个独特的挑战,并提出了一个联合社区分析和检测(CPD)模型,以解决这些问题。我们还提供了一个可扩展的推理算法,它的规模与数据的大小线性,它是很容易并行化。我们在大规模真实世界的数据集上评估了CPD,并表明它在各种任务中明显优于最先进的基线。
2017-01-17 cs.AI cs.SI