GRADE: Graph Dynamic Embedding
University of Cambridge(剑桥大学);Teeside University(提赛德大学);Mila-Quebec AI Institute(米拉-魁北克人工智能研究所);HEC Montreal(蒙特利尔高等商学院)
静态图和最近动态演化图的表示学习已经引起了人们的注意。现有的方法建模图动力学广泛关注独立的中尺度社区结构的演变个别节点的演变。因此,目前的方法不提供有用的工具来研究,不能明确地捕捉时间的社区动态。为了解决这一挑战,我们提出了GRADE -一种概率模型,它通过在其轨迹上施加随机游走来学习生成不断发展的节点和社区表示。我们的模型还学习节点社区成员资格,该成员资格通过过渡矩阵在时间步长之间更新。在每个时间步,通过首先从社区上的分布分配节点成员资格,然后从分配的社区的节点上的分布采样邻居来执行链路生成。我们用神经网络参数化节点和社区分布,并通过变分推理学习它们的参数。实验结果表明,GRADE算法在动态链接预测方面优于基线算法,在动态社区发现方面表现出良好的性能,能够识别出一致的、可解释的进化社区。
2021-05-10 cs.LG stat.ML
From Node Embedding To Community Embedding : A Hyperbolic Approach
Sorbonne Université(索邦大学);IRT SystemX(IRT SystemX 研究所)
在最近的文献中,在图上检测社区受到了极大的兴趣。当前最先进的社区嵌入方法称为\textit{ComE},通过将图嵌入与社区发现耦合来解决这个问题。考虑到近年来图结构数据的双曲线表示的成功,一个持续的挑战是建立一个双曲线的方法来解决社区发现问题。本文通过引入\textit{ComE}的黎曼等价物来迎接这一挑战。我们提出的方法结合双曲嵌入与黎曼K均值或黎曼混合模型进行社区发现。我们说明了这个框架的有用性,通过几个实验在现实世界的社交网络和比较与\textit{ComE}和最近的双曲线为基础的分类方法。
2020-03-01 cs.LG stat.ML
Integrating Network Embedding and Community Outlier Detection via Multiclass Graph Description
IBM Research(IBM研究院);Indian Institute of Science(印度科学院)
网络(或图)嵌入是将图的节点映射到低维向量空间的任务,这样它就可以保持图的属性并促进下游的网络挖掘任务。现实世界的网络通常带有(社区)离群节点,这些节点的行为与社区的常规节点不同。如果不小心处理,这些离群节点可能会影响常规节点的嵌入。在本文中,我们提出了一种新的无监督图嵌入方法(称为DMGD),集成了离群和社区发现与节点嵌入。当给定网络中存在多个社区时,我们将深度支持向量数据描述的思想扩展到图嵌入的框架中,并且离群点相对于其社区进行表征。我们还显示了DMGD检测到的离群值的数量的理论界。我们的公式归结为一个有趣的极小极大的游戏之间的离群值,社区分配和节点嵌入功能。我们还提出了一个有效的算法来解决这个优化框架。在合成网络和真实网络上的实验结果表明,与最先进的方法相比,我们的方法具有优势。
2020-07-20 cs.LG cs.SI stat.ML
Directed degree corrected mixed membership model and estimating community memberships in directed networks
China University of Mining and Technology(中国矿业大学)
本文研究了有向网络中节点的社区成员关系的建模和估计问题,其中每一行(列)节点都与一个向量相关联,该向量决定了它在每行(列)社区中的成员关系。为了对这种有向网络进行建模,我们提出了考虑度异质性的有向度修正混合隶属度(DiDCMM)模型。在混合隶属度网络中,考虑度的异质性,DiDCMM在一般情况下是可识别的。基于群体邻接矩阵的左奇异向量的标准化版本中固有的锥结构和右奇异向量中固有的单纯形结构,我们构建了一个高效的算法DiMSC来推断行节点和列节点的社区成员资格向量。利用DiMSC的等价算法返回与DiMSC相同的估计和行方向奇异向量偏差的最新发展,通过给出DiDCMM下每个行节点和每个列节点的推断隶属度向量的误差界,证明了该算法在温和条件下是渐近相容的.该理论是由模拟研究补充。
2021-10-06 cs.LG stat.ML
How Robust are Reconstruction Thresholds for Community Detection?
Massachusetts Institute of Technology(麻省理工学院)
随机块模型是研究聚类和社区发现的最古老和最普遍的模型之一。在一系列令人兴奋的发展中,受到来自统计物理学的深刻但不严格的思想的激励,Decelle等人为在稀疏状态下何时可能进行社区发现确定了一个尖锐的阈值。Mossel,Neeman,Sly和Massoulie证明了该猜想,并给出了匹配算法和下界。在这里,我们从半随机模型的角度重新审视随机块模型,在这种模型中,我们允许对手做出“有益”的改变,加强每个社区内的联系,并打破它们之间的联系。我们展示了一个令人惊讶的结果,这些“有益的”变化可以改变信息理论的阈值,使严格的社区发现问题更加困难。我们补充这一点,表明基于半定规划(这是已知的接近阈值)的算法继续工作在半随机模型(即使部分恢复)。这表明,基于半定规划的算法是鲁棒的方式,任何算法满足信息论阈值不能。这些结果指出了一个有趣的新方向:我们能否找到稳健的,半随机的类似物,一些经典的,平均情况下的阈值统计?我们还探讨了这个问题的广播树模型,我们表明,半随机模型的观点可以帮助解释为什么有些算法是首选在实践中,尽管在随机模型的统计性能的差距。
2016-03-21 cs.DS cs.IT cs.LG
Community Detection Guarantees Using Embeddings Learned by Node2Vec
Columbia University(哥伦比亚大学);University of Michigan(密歇根大学);Simon Fraser University(西蒙菲莎大学)
本文从理论上证明了 node2vec 嵌入结合 k-means 聚类可在度校正随机块模型中实现弱一致的社区恢复,并通过实验验证了该结果及其与其它网络嵌入工具的关系。
2024-10-22 cs.LG cs.SI stat.ME
Searching for a Single Community in a Graph
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
在标准图聚类/社区发现中,人们感兴趣的是将图划分成更密集连接的节点子集。相比之下,本文的“搜索”问题旨在从可能存在的许多社区中只找到“单个”社区(目标)中的节点。为了做到这一点,我们会得到关于目标的适当的边信息;例如,来自目标的极少数节点被标记为这样。我们考虑一个一般而简单的边信息概念:假设所有节点都具有随机权重,目标中的节点平均具有更高的权重。给定这些权重和图形,我们开发了一种变体的矩量法,它可以更可靠地识别目标中的节点,并且计算量较低,比不使用边信息并划分整个图形的通用社区发现方法。我们的实证结果表明,显着的收益在运行时,也获得了其他图聚类算法的准确性。
2018-05-24 cs.LG cs.SI stat.ML
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大,当检测社区时,存在可以用途:社交网络的结构和节点属性的两个可能的信息源。然而,在社区发现的研究中,社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释,一个共同的假设共享以前的研究是,节点属性与社区。本文提出了一种模型,该模型能够将拓扑信息和节点属性信息相结合,而无需假设相关性。该模型在节点属性与社区不相关的情况下,仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值,并使用置信传播(BP)进行推理。该算法是最佳的,因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
Exact Recovery of Community Structures Using DeepWalk and Node2vec
North Carolina State University(北卡罗来纳州立大学)
基于随机游走的网络嵌入算法(如DeepWalk和node 2 vec)被广泛用于在执行下游推理任务之前获得网络中节点的欧几里得表示。然而,尽管他们令人印象深刻的经验表现,有一个解释他们的大样本行为的理论结果缺乏。在本文中,我们通过矩阵分解的角度来研究node 2 vec和DeepWalk。特别是,我们分析了这些算法的设置社区检测随机块模型图(及其度校正的变体)。通过利用领先奇异向量的行向均匀扰动界,我们推导出基于矩阵分解的node 2 vec/DeepWalk嵌入与其真实对应物之间的高概率误差界,均匀分布在所有节点嵌入上。基于强大的浓度结果,我们进一步展示了node 2 vec/DeepWalk的完美成员恢复,然后是$K$ -均值/中位数算法。具体来说,随着网络变得稀疏,我们的结果保证,有足够大的窗口大小和顶点数,应用$K$ -均值/中位数的矩阵分解为基础的node 2 vec嵌入可以,以很高的概率,正确地恢复从随机块模型(或其度校正变体)生成的网络中的所有顶点的成员资格。理论的理由反映在数值实验和实际数据的应用,无论是原来的node 2 vec和它的矩阵分解的变体。
2022-10-24 cs.LG cs.SI stat.ML
Community Detection in Networks with Node Features
网络中的社区检测已经提出了许多方法,但大多数方法都没有考虑到在实践中通常可用的节点上的附加信息。在本文中,我们提出了一个新的联合社区检测标准,使用网络的边缘信息和节点的功能来检测社区结构。与现有的联合检测方法相比,我们的方法的一个优势是学习不同特征的影响的灵活性,这些特征在社区中可能会有所不同。另一个优点是选择特征信息对社区的影响量的灵活性。该方法在块模型下是渐近一致的,并对特征分布做了额外的假设,在模拟和真实网络上都有很好的表现。
2015-09-03 cs.SI physics.soc-ph stat.ML
Node Embedding via Word Embedding for Network Community Discovery
神经节点嵌入最近已经成为涉及图结构数据的监督学习任务的强大表示。我们利用这一最新进展,开发了一种新的算法,在图中的无监督社区发现。通过大量的实验研究模拟和真实世界的数据,我们证明,所提出的方法不断改善目前的最先进的。具体来说,我们的方法经验上达到的信息理论限制下的基准随机块模型图生成的社区恢复,并表现出更好的稳定性和准确性在谱聚类和非循环的信念传播的社区恢复限制。
2017-06-28 cs.SI physics.soc-ph stat.ML
Bridging the Gap between Community and Node Representations: Graph Embedding via Community Detection
University of Fribourg(弗里堡大学)
图嵌入已成为许多数据采掘和分析系统的关键组成部分。当前的图嵌入方法要么从图中采样大量的节点对以经由随机优化来学习节点嵌入,要么经由计算上昂贵的矩阵分解技术来分解图的高阶邻近/邻接矩阵。这些方法通常需要大量资源用于学习过程,并依赖于多个参数,这限制了它们在实践中的适用性。此外,大多数现有的图嵌入技术仅在一个特定度量空间中有效地操作(例如,用余弦相似性产生的一个),不保留输入图的高阶结构特征,并且不能自动确定有意义的嵌入维数的数目。通常,产生的嵌入不容易解释,这使得进一步的分析复杂化并限制了其适用性。为了解决这些问题,我们提出了DAOR,一种高效且无参数的图嵌入技术,可以在不进行任何手动调整的情况下生成度量空间鲁棒,紧凑且可解释的嵌入。与十几种最先进的图嵌入算法相比,DAOR在节点分类(受益于高阶邻近度)和链接预测(主要依赖于低阶邻近度)方面都产生了竞争性结果。然而,与现有技术不同,DAOR不需要任何参数调整,并将嵌入生成速度提高了几个数量级。因此,我们的方法有野心,大大简化和加快数据分析任务,涉及图表示学习。
2019-12-17 cs.LG cs.SI stat.ML
Hyperbolic Multiplex Network Embedding with Maps of Random Walk
Beihang University(北京航空航天大学)
最近的研究网络嵌入在双曲空间已被证明是成功的几个应用。然而,现实世界网络中的节点往往通过几个不同的通道进行交互。简单地汇总或忽视这种多样性将导致误导性的结果。另一方面,节点之间的不同交互模式之间存在冗余信息。最近的研究揭示了群落结构和双曲线坐标之间的相似性。为了在减少复用网络冗余的同时学习每个节点的有效嵌入表示,本文提出了一个将复用网络双曲嵌入和复用社区发现相结合的统一框架。直观的基本原理是,高阶节点嵌入方法有望减轻所观察到的网络的稀疏和噪声结构,这将有利于社区发现任务。相反,改进的社区结构也将指导节点嵌入任务。为了在保留信道间共同特征的同时,更好地融合信道间的共同特征,提出了一种在潜在多重双曲空间中遍历的随机游走方法来检测信道间的社区,并在节点嵌入和社区发现之间架起了一座桥梁。该框架使用不同的现实世界的数据集的几个网络任务进行评估。结果表明,我们的框架是有效的和效率相比,国家的最先进的方法。
2021-10-30 cs.LG cs.SI stat.ML
Exact Matching in Correlated Networks with Node Attributes for Improved Community Recovery
本文提出相关CSBM模型及两步匹配算法,利用边和节点属性实现跨网络精确节点对齐,从而合并多图信息以提升社区检测性能。
2025-07-23 cs.IT cs.SI math.IT
Optimizing Waiting Thresholds Within A State Machine
Microsoft(微软)
Azure(Microsoft提供的云服务)由称为节点的物理计算单元组成。这些节点由称为结构控制器(FC)的软件组件控制,该软件组件可以将节点视为处于许多不同状态之一,例如就绪、不健康、引导等。这些状态中的一些状态对应于节点对FC请求无响应。当某个节点在超过设定阈值的时间内无响应时,FC会进行干预并重新启动该节点。通过拟合各种重尾概率分布,最小化了节点切换到不健康状态时由干预阈值引起的停机时间。我们考虑使用节点的功能来自定义有机恢复模型,以适应运行不正常的各个节点。这种回归方法允许我们使用有关节点的信息,如硬件,软件版本,历史性能指标等,以通知有机恢复模型,从而确定最佳阈值。在另一个方向上,我们考虑将其推广到节点状态机(或马尔可夫链)内的任意数量的阈值。当状态以不同阈值开始相互影响的方式交织在一起时,我们不能简单地孤立地优化每个状态。为了获得最佳结果,我们必须将其视为多变量(阈值数量)的优化问题。对于这个更复杂的问题,我们不再有一个很好的封闭形式的解决方案,就像我们用一个阈值一样,但是我们仍然可以使用数值技术(梯度下降)来解决它。
2018-10-08 cs.DC cs.LG stat.ML
Joint community and anomaly tracking in dynamic networks
大多数真实世界的网络表现出社区结构,其特征在于存在节点簇,其边内连接性强于属于不同簇的节点之间的边连接性。除了有助于更好地理解网络行为,社区检测在不同的环境中发现了许多实际应用。在线社交网络中的社区表明共享的功能角色,或隶属于共同的社会经济地位,了解这一点对于有针对性的广告至关重要。在买方-卖方网络中,社区检测有助于更好地推荐产品。不幸的是,社区分配的可靠性受到异常用户行为的阻碍,这些异常用户行为通常被视为不公平的自我推销,或为促进欺诈而创建的“虚假”高连接帐户。本文提出了一种新的方法,用于联合跟踪社区,同时检测时变网络中的异常节点。通过假设边的产生是节点对共同参与社区的结果,提出了一种通过稀疏离群矩阵捕获异常成员关系的动态因子模型。有效的跟踪算法,适用于在线和分散操作。在合成和真实网络时间序列上进行的实验成功地揭示了潜在的社区和异常节点。
2015-06-25 cs.SI physics.soc-ph stat.ML
Detectability thresholds and optimal algorithms for community structure in dynamic networks
University of Colorado(科罗拉多大学);Santa Fe Institute(圣塔菲研究所);BioFrontiers Institute, University of Colorado(科罗拉多大学生物前沿研究所)
我们研究了在动态网络中学习潜在社区结构的基本限制。具体来说,我们研究动态随机块模型,节点随着时间的推移改变他们的社区成员,但在每个时间步独立生成的边缘。在这种情况下(这是一个特殊的情况下,现有的几个模型),我们能够准确地得出检测阈值,作为变化率和社区的强度的函数。低于这个阈值,我们声称没有算法可以比机会更好地识别社区。然后,我们给出了两个算法是最优的,在这个意义上,他们成功的所有方式下降到这个限制。第一个使用的信念传播(BP),它给出了渐近最佳的精度,第二个是一个快速的谱聚类算法,线性化的BP方程的基础上。我们通过数值模拟验证了我们的分析和算法结果,并结束了简短的讨论扩展和开放的问题。
2015-06-19 cond-mat.dis-nn cs.LG cs.SI
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
A stochastic block model for community detection in attributed networks
本文提出一种整合节点介数中心性和聚类系数的随机块模型BCSBM,用于属性网络社区检测,能检测多分和混合结构,实验优于五种对比算法。
2023-08-31 cs.SI stat.ML
Semi-supervised Community Detection via Structural Similarity Metrics
Harvard University(哈佛大学)
针对度异质网络中新节点的社区标签估计问题,提出基于结构相似性度量的半监督算法,聚合有标签与无标签信息,实验优于现有方法并给出误分类误差界。
2023-06-01 cs.LG cs.SI stat.ME
Community detection in censored hypergraph
North Dakota State University(北达科他州立大学);North China University of Water Resources and Electric Power(华北水利水电大学)
社区检测是指将网络(图或超图)中的节点聚类成组的问题。各种算法可用于社区检测和所有这些方法适用于未经审查的网络。在实践中,网络可能有删失(或缺失)值,它表明,删失值对网络的结构特性有不可忽略的影响。本文从信息论的角度研究了删失$m$ -一致超图的社团发现问题。我们推导出的信息理论阈值的社区结构的确切恢复。此外,我们提出了一个多项式时间的算法,以准确地恢复社区结构的阈值。该算法由一个谱算法加上一个细化步骤。研究没有细化的单个谱算法是否达到阈值也是有趣的。为此,我们还探讨了半定松弛算法,并分析了其性能。
2021-11-04 cs.LG math.ST stat.ML
Estimating Mixed Memberships with Sharp Eigenvector Deviations
我们考虑的问题,估计社区成员的节点在网络中,每个节点都与一个向量,确定其在每个社区的成员程度。现有的可证明一致的算法往往需要强有力的假设人口,计算昂贵,只提供了一个整体的错误界为整个社区成员矩阵。本文提供了统一的收敛速度的推断社区成员向量的每个节点在网络中产生的混合成员随机块模型(MMSB),据我们所知,这是第一次工作,建立每个节点的重叠社区检测率网络。我们通过建立MMSB的行特征向量偏差界限来实现这一点。基于人口矩阵的特征分解中固有的单纯形结构,我们建立在优化社区的角点发现算法来推断社区成员向量。我们的研究结果保持在一个广泛的参数制度,平均度只增长poly-dimensionally与节点的数量。使用模拟和真实数据集的实验表明,我们的方法比竞争方法具有更低的可变性,并且在数十秒内处理多达100,000个节点的真实网络。
2019-11-24 cs.SI math.ST 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
Recovering a Hidden Community Beyond the Kesten-Stigum Threshold in $O(|E| \log^*|V|)$ Time
社区检测被认为是一个随机块模型图的n个顶点,K个顶点在种植社区,边缘概率p的顶点对都在社区,和边缘概率q的其他顶点对。本文的主要重点是弱恢复的社区的基础上的图G,与O(K)错误分类的顶点平均,在次线性政权$n^{1-o(1)} \leq K \leq o(n).$一个关键参数是有效的信号噪声比$λ=K^2(p-q)^2/((n-K)q)$,与$λ=1$对应的Kesten-Stigum阈值。我们表明,一个信念传播算法实现弱恢复,如果$λ>1/e$,超出Kesten-Stigum阈值的一个因素$1/e.$的信念传播算法只需要运行$\log^\ast n+O(1) $迭代,总的时间复杂度为$O(|E| \log^*n)$,其中$\log^*n$是$n.$的迭代对数相反,如果$λ\leq 1/e$,没有本地算法可以渐近优于平凡的随机猜测。此外,一个线性的消息传递算法,对应于应用电源迭代的非回溯矩阵的图形,以达到弱恢复当且仅当$λ>1$。此外,置信传播算法可以与线性时间投票过程相结合,以实现所有$K \ge \frac{n}{\log n} \left( ρ_{\rm BP} +o(1) \right),$的精确恢复的信息限制(以高概率正确地分类所有顶点),其中$ρ_{\rm BP}$是$p/q$的函数。
2018-01-16 cs.CC cs.SI math.PR
Mutual Information in Community Detection with Covariate Information and Correlated Networks
研究了当节点标签存在协变量信息且观测到多个相关网络时的社区发现问题。我们提供了一个渐近上界的每个节点的互信息,以及一个启发式分析的多元性能指标称为MMSE矩阵。这些结果表明,表面上非常不同类型的信息的组合效应可以明确地在公式中的特点,涉及低维估计问题的加性高斯噪声。我们的分析得到了数值模拟的支持。
2019-12-11 cs.IT cs.LG math.IT
Community Detection for Contextual-LSBM: Theoretical Limitations of Misclassification Rate and Efficient Algorithms
Rutgers University(罗格斯大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本研究针对CLSBM提出高效谱算法,推导其错误分类率上界,确定任意算法最优错误分类率下界,为社区检测算法设计提供理论依据与可靠起点。
2026-08-11 cs.IT cs.LG math.IT
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展,需要能够检测重叠社区结构的算法。近年来,已经提出了许多算法,能够将每个节点分配给多个社区。这些算法的性能往往会下降时,地面实况包含一个更高度重叠的社区结构,与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中,例如Facebook的友谊网络。在本文中,我们提出了一个可扩展的算法,MOSES,基于统计模型的社区结构,这是能够检测高度重叠的社区结构,特别是当有方差的社区数量的每个节点是在。在合成数据的评价中,发现MOSES优于现有的算法,特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络,在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
Community models for networks observed through edge nominations
社区是网络中一种常见且广泛研究的结构,通常假设网络被完全正确地观察。在实践中,网络数据通常通过查询节点的连接来收集。在某些设置中,将记录采样节点的所有边,而在其他设置中,可能会要求节点命名其连接。这些采样机制引入了噪声和偏差,这些噪声和偏差可能会模糊社区结构,并使标准社区检测方法的假设失效。我们提出了一个通用的模型,一类网络采样机制的基础上记录边缘通过查询节点,旨在提高社区检测网络数据收集,以这种方式。我们的模型边缘采样概率作为个人偏好和社区参数的函数,并显示社区检测可以通过谱聚类在这类模型下进行。我们还提出了,作为一般框架的一个特殊情况下,有向网络的参数模型,我们称之为提名随机块模型,它允许有意义的参数解释,并可以通过矩量法拟合。在这种情况下,谱聚类和矩量法都是计算效率高的,并且具有理论上的一致性保证。我们评估所提出的模型在模拟研究中的未加权和加权网络,并将其应用到教师招聘数据集,发现美国商学院之间的社区有意义的层次结构。
2021-03-19 stat.ME stat.ML
Node-private community estimation in stochastic block models: Tractable algorithms and lower bounds
University of Cambridge(剑桥大学)
本文研究了在固定社区数的随机块模型中社区恢复问题,提出在节点差分隐私约束下基于谱聚类的可计算算法及下界,通过隐私保护的PCA、凸优化等方法提升社区估计一致性。
2026-05-15 math.ST stat.ML stat.TH
Community detection in multiplex networks using locally adaptive random walks
多重网络是一种特殊类型的多层网络,越来越多地应用于从社交媒体分析到生物学的许多领域。在这些应用程序中的一个共同的任务涉及社区结构的检测。许多现有的多路复用中的社区发现算法试图检测由所有层共享的社区。在这篇文章中,我们提出了一个社区发现算法,LART(局部自适应随机转换),用于检测社区共享的一些或所有层的复用。该算法是基于一个随机游走的多重,和定义的随机游走的转移概率被允许依赖于在任何给定的节点,以促进社区的探索层之间的局部拓扑相似性。基于这种随机游走,推导出节点相异性度量,并基于该距离以分层方式对节点进行聚类。我们目前的实验结果,使用网络模拟在各种情况下,展示LART的性能相比,相关的社区发现算法。
2015-07-20 cs.SI physics.soc-ph stat.ML
Robust and computationally feasible community detection in the presence of arbitrary outlier nodes
社区检测是网络数据分析中的一个重要问题,其目的是根据所观察到的无向边将给定图中的$N$节点聚类为$r$不同的组。在本文中,流行的随机块模型(SBM)扩展到广义随机块模型(GSBM),允许敌对离群节点,这是与图中的其他节点以任意的方式连接。在此模型下,我们介绍了一个程序,使用凸优化,其次是$k$ -均值算法与$k=r$。分析了该方法的理论和数值特性。给出了在聚类数随$N$增长的情况下,该方法能够以较小的误分率准确检测出社区的理论保证.这一理论结果承认最著名的结果在文献中的计算上可行的社区检测SBM没有离群值。数值结果表明,该方法具有计算速度快、鲁棒性强的特点,而一些常用的快速社团检测算法,如基于邻接矩阵或图拉普拉斯算子的谱聚类算法,由于存在少量的离群点,可能无法检测出主要的簇.我们对我们的方法进行了轻微的修改,以政治博客数据集,表明我们的方法在实践中是称职的,并与文献中现有的计算可行的方法相媲美。据作者所知,我们的结果是第一次在文献中的集群社区与快速增长的数字下的GSBM任意离群节点存在的一部分。
2015-06-03 cs.IT math.IT math.OC