Universal Phase Transition in Community Detectability under a Stochastic Block Model
我们证明了谱模块化方法中社区可检测性的渐近相变阈值的存在性[M。E. J.Newman，Phys.Rev.E74，036104（2006）和Proc.National Academy of Sciences. 103，8577（2006）]中的随机块模型。随着社区间边缘连接概率$p$的增长，社区可检测性发生相变。该相变将小$p$的次临界状态（其中基于模块的社区检测成功地识别社区）与大$p$的超临界状态（其中成功的社区发现是不可能的）分开。我们发现，随着社区规模变大，渐近相变阈值$p^*$等于$\sqrt{p_1\cdot p_2}$，其中$p_i~(i=1,2)$是社区内边缘连接概率。因此，相变阈值是普遍的，在这个意义上，它不依赖于社区大小的比例。通过对中等规模社区的模拟，验证了普遍的相变现象。使用推导出的相变阈值的表达式，我们提出了一个经验的方法来估计这个阈值从现实世界的数据。
2015-06-17 cs.SI physics.soc-ph
Minority Stress Experienced by LGBTQ Online Communities during the COVID-19 Pandemic
Aalto University（阿尔托大学）；Georgia Institute of Technology（佐治亚理工学院）
本研究利用疫情前后Twitter数据训练分类器识别LGBTQ人群的少数群体压力，发现愤怒词汇关联增强，并通过因果分析揭示其认知词汇增加、积极情绪恶化，为公共卫生支持提供依据。
2023-05-10 cs.CL cs.HC cs.LG
Misinformation Dissemination: Effects of Network Density in Segregated Communities
本文通过易感-感染-恢复框架研究隔离社区中网络密度对错误信息传播的影响，发现高密度会增加信徒比例，且隔离网络中密集的少数群体会提升多数群体的信徒数量，揭示了隔离少数群体结构对多数群体错误信息动态的影响。
2024-11-29 cs.CY cs.MA cs.SI
Modeling and Detecting Communities in Node Attributed Networks
社区作为现实网络中的一种基本结构，除了图的拓扑结构外，还可以通过丰富的节点属性来反映。在属性社区发现中，概率生成模型（PGMs）由于其原则性的特征描述和竞争性的性能而成为主流方法。在这里，我们提出了一种新的PGM不施加任何分布假设的属性，这是优于现有的PGM，需要属性是分类或高斯分布。该模型基于图结构的块模型，通过描述属性对节点流行度的影响来引入属性。为了定量地描述这种影响，我们分析了我们模型的社区可检测性，然后建立了节点流行度项的要求。这为选择和求解属性社区发现模型中的关键模型选择问题提供了一种新的解决方案。在模型确定的基础上，提出了一种有效的参数估计算法和群落推断算法。从两个方面对所提出的方法进行了验证。首先，我们的算法的有效性从理论上保证了可检测性条件。第二，大量的实验表明，我们的方法不仅优于竞争的方法在所采用的数据集，但也显示出更好的适用性，以各种节点属性的网络。
2022-05-30 cs.SI physics.soc-ph
Spatial correlations in attribute communities
社区发现是探索和分类大型复杂网络特性的重要工具，对空间网络有很大的帮助。事实上，除了它们的位置之外，空间网络中的节点还可以具有诸如个人语言或我们希望在社区中识别的任何其他社会经济特征等属性。在本文中，我们讨论了一个重要的方面，这是没有考虑在以前的研究，这是可能存在的空间和属性之间的相关性。引入一个简单的玩具模型，其中空间和节点属性都被认为是，我们讨论了空间属性的相关性的各种社区检测方法的结果，提出了空间网络在本文和以前的研究。当空间无关时，我们的模型等价于随机块模型，该模型已被证明显示可检测性-不可检测性转变。在空间主导链接形成过程的制度中，大多数方法都无法恢复社区，当空间属性相关性很强时，这种效果特别明显。在后一种情况下，移除网络的空间分量的社区检测方法可能会错过社区结构的很大一部分，并可能导致不正确的结果。
2012-05-31 cs.SI physics.soc-ph
Graph energy as a measure of community detectability in networks
Frankfurt School of Finance and Management（法兰克福金融管理学院）；University of Florida（佛罗里达大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）；Indiana University（印第安纳大学）
本文通过图能量差异研究网络中社区的可检测性阈值，揭示标准图矩阵仍能区分可检测与不可检测社区。
2026-01-08 cond-mat.stat-mech cs.SI math.PR
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
Disentangling group and link persistence in Dynamic Stochastic Block models
University College London（伦敦大学学院）；University of Bologna（博洛尼亚大学）；Scuola Normale Superiore（比萨高等师范学校）
我们研究了一个动态网络模型的推理，其中社区和链接都保持以前的网络状态的记忆。通过考虑网络的单次快照观测的最大似然推断，我们表明，链接持久性使社区的推断更难，降低了可检测性阈值，而社区持久性往往使其更容易。我们分析表明，从单个网络快照推断出的社区可以共享一个最大的重叠与底层社区的一个特定的前一个时刻的时间。这就导致了时间滞后的推断：识别过去的社区而不是现在的社区。最后，我们计算的时间滞后，并提出了一个修正的算法，滞后快照动态（LSD）算法，在动态网络中的社区发现。我们分析和数值特征的可检测性转换的算法作为一个函数的记忆参数的模型，我们做了比较与一个完整的动态推理。
2018-12-19 cs.LG cs.SI physics.soc-ph
Message-Passing on Hypergraphs: Detectability, Phase Transitions and Higher-Order Information
该研究针对超图社区检测缺乏可检测性极限理论分析的问题，推导闭式界并提出高效消息传递算法与精确采样方法，揭示结构属性对检测的影响，拓展了相关理论认知并提供了研究高阶相互作用系统的工具。
2024-04-24 cs.IT cs.SI math.IT
A paradox in community detection
最近的研究表明，几乎所有旨在识别网络中社区的算法都受到相同的主要限制的影响：如果内部和外部节点度之间的差异的平均值不超过严格的正值，则不可能检测到社区，即使这些社区是明确定义的，在文献中称为可检测性阈值。在这里，我们反直觉地表明，这个阈值的值是成反比的社区的内在质量：明确定义的模块的检测，因此比定义不明确的社区的识别更困难。
2014-05-06 cs.SI physics.soc-ph
Phase Transitions in Spectral Community Detection of Large Noisy Networks
研究了基于谱聚类的社区发现算法在Erdos-Renyi型随机噪声模型下的灵敏度问题。我们证明了在社区可检测性的相变作为外部边缘连接概率和噪声边缘存在概率的函数下的一般网络模型，其中两个任意连接的社区由随机外部边缘互连。具体地，当社区间边缘连接概率超过某个临界值时，社区发现性能从几乎完美的可检测性转变为低可检测性。我们推导出上界和下界的临界值，并表明，当两个社区具有相同的大小的界限是相同的。使用网络仿真验证了相变结果。使用推导出的相变阈值的表达式，我们提出了一种方法，从观测数据估计这个阈值。
2015-04-10 cs.SI physics.data-an physics.soc-ph
Reinventing the Triangles: Rule of Thumb for Assessing Detectability
网络聚类的统计意义一直是一个悬而未决的问题，因为它被观察到，社区发现算法产生误报，即使在随机图。在发现了不可检测和可检测的簇结构之间的相变之后，显示了邻接矩阵的谱与可检测性极限之间的联系，并且针对具有任意度分布和社区结构的广泛网络计算了两者。在实践中，并不知道整个本征谱，也不容易确定某个网络是否有任何社区处于可探测性范围内。基于全局聚类系数，我们构建了一个标准，告诉是否在一个无向的，未加权的网络有一些/没有可检测的社区结构，或者如果网络是在一个瞬态政权。该方法比涉及自举的方法简单且快速。
2015-11-03 cs.IR cs.SI physics.soc-ph
Group Fairness Metrics for Community Detection Methods in Social Networks
针对社交网络社区检测方法易产生有偏结果、影响少数群体的问题，提出群体公平性度量指标Φ^F*_p，对比发现不同方法的性能-公平性权衡差异显著，无方法持续占优，为公平高效的社区检测方法开发提供支撑。
2024-10-07 cs.SI
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
Super-resolution community detection for layer-aggregated multilayer networks
应用网络科学通常涉及在应用网络分析方法之前对网络数据进行预处理，这些步骤之间通常存在理论上的脱节。例如，在分析之前将时变网络数据聚合到窗口中是常见的，并且这种预处理的权衡还没有得到很好的理解。针对多层网络中小社区的检测问题，我们通过建立随机矩阵理论来研究层聚集的影响，该理论适用于具有$N$节点和$L$层的层聚集网络的模块度矩阵，这些层聚集网络来自Erdens-Rényi网络的集合.我们研究相变，其中特征向量本地化到社区（允许他们的检测），并发生在一个给定的社区提供其大小超过了可检测性限制$K^*$。当通过求和聚合层时，我们获得$K^*\varpropto \mathcal{O}(\sqrt{NL}/T)$，其中$T$是社区持续存在的层数。有趣的是，如果允许$T$随$L$而变化，则基于求和的层聚合增强了小社区发现，即使社区在层的消失部分上持续存在，只要$T/L$比$ \mathcal{O}(L^{-1/2})$衰减得更慢。此外，我们发现，在某些情况下，阈值的总和可以导致$K^*$指数衰减，减少了数量级的现象，我们称之为超分辨率社区发现。也就是说，具有阈值的层聚合是一种非线性数据过滤器，能够检测否则太小而无法检测的社区。重要的是，不同的阈值通常增强具有不同属性的社区的可检测性，这说明如果使用单个阈值分析网络数据，则社区发现可能被模糊。
2017-07-13 cs.SI physics.soc-ph
Quantifying Group Fairness in Community Detection
针对社区检测算法未考虑结构不平等导致不公平结果的问题，提出新群体公平性指标并对比常见方法的性能与公平性权衡，发现Infomap和Significance在多数网络中兼具高性能与公平性，为设计公平算法提供见解。
2025-04-15 cs.SI
Phase Transitions in Spectral Community Detection
本文研究两社区经随机外部边连接时的谱聚类检测问题，利用随机矩阵理论刻画连接概率临界值处的突变相变并推导其上下界。
2015-05-02 cs.SI physics.soc-ph
Information dynamics algorithm for detecting communities in networks
社区检测的问题与许多科学学科有关，从社会科学到统计物理学。考虑到社区检测在许多领域（如心理学和社会科学）的影响，我们已经解决了通过结合领域应用领域的元素（即领域启发）来修改现有性能良好的算法的问题。我们集中在心理学和社会网络启发的方法，这可能是有用的，进一步加强社会网络研究和数学之间的联系，社区检测。在这里，我们介绍了一个社区检测算法来自范东根的马尔可夫聚类算法（MCL）的方法，通过考虑网络的节点作为代理能够作出决定。在这个框架中，我们引入了一个记忆因子来模仿一个典型的人类行为，如遗忘效应。该方法是基于信息扩散，它包括一个非线性处理阶段。我们测试我们的方法在两个经典的社区基准和计算机生成的网络与已知的社区结构。我们的方法有三个重要的特点：检测重叠社区的能力，从个人的角度来看，识别社区的能力和微调社区的可检测性方面的先验知识的数据。最后讨论了如何利用Shannon熵测度进行复杂网络的参数估计。
2011-12-06 cs.SI physics.soc-ph
Community detection in networks with unequal groups
最近，在网络社区发现问题中发现了一个相变，在该相变下，没有算法能够比随机猜测更好地区分哪些节点属于哪些社区。然而，这个结果到目前为止仅限于社区具有相同大小或相同平均度的情况。在这里，我们考虑的情况下，大小或平均程度是不同的。这种不对称性使我们能够通过检查社区的局部邻域，将节点分配给比随机成功更好的社区。使用腔的方法，我们表明，这完全消除了可检测性过渡的网络与四组或更少，而超过四组的过渡持续到一个临界量的不对称性，但不超过。在后一种情况下，临界点与局部信息的扩散点重合，导致从较不准确的解到更准确的解的全局过渡。
2015-09-10 cs.SI physics.soc-ph
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
Back to the Communities: A Mixed-Methods and Community-Driven Evaluation of Cultural Sensitivity in Text-to-Image Models
本文提出一种基于社区的混合方法评估方法论，通过定量与定性分析揭示了文本到图像模型中文化错误表征的来源与影响，并提供可操作建议。
2025-10-31 cs.CY cs.SI
Phase Transitions of Diversity in Stochastic Block Model Dynamics
本文提出带优先连接的随机块模型，研究两社区增长动力学，推导确定性近似并刻画多样性相变，发现跨社区边概率低时少数群体可能消亡，即使跨社区合作价值更高。
2024-01-12 cs.GT cs.SI physics.soc-ph
Multilayer Modularity Belief Propagation To Assess Detectability Of Community Structure
基于模块化的社区发现包括许多广泛使用的、有效的网络结构识别算法。最近，一种用于模块化优化的置信传播方法为识别单层网络中的非平凡结构提供了有用的指导，这是其他优化算法所没有的。在本文中，我们扩展模块化的信念传播多层网络。作为该开发的一部分，我们还直接引入了分辨率参数。我们表明，调整分辨率参数影响算法的收敛性能，并产生不同的社区结构比基线。我们比较我们的方法与广泛使用的社区发现工具，GenLouvain，在一系列的合成，多层基准网络，证明我们的方法执行的最先进的状态。最后，我们证明了我们的工具提供的额外信息的实际优势，通过两个现实世界的网络例子。我们展示了该算法的收敛特性如何可以用于选择适当的分辨率和耦合参数，以及节点级边缘如何为所确定的社区的附着强度提供解释。为了方便使用，我们将我们的工具作为Python包发布。
2020-07-03 cs.SI physics.data-an physics.soc-ph
It's a Thin Line Between Love and Hate: Using the Echo in Modeling Dynamics of Racist Online Communities
Ben Gurion University of the Negev（内盖夫本-古里安大学）
（echo））符号--名字周围的三个括号，随着美国总统竞选的加剧，于2016年初成为主流社交网络。它被右翼、白人至上主义者和互联网巨魔的成员用来标记犹太人遗产--这是纳粹德国使用的臭名昭著的黄色徽章（Judenstern）的现代化身。跟踪这种趋势模因，它的含义和它的功能已被证明是难以捉摸的，因为它的语义模糊性（例如，虚拟拥抱的符号）。在本文中，我们报告了一个适当的数据集的建设，允许重建网络的种族主义社区和他们嵌入更广泛的社区的方式。我们结合自然语言处理和结构网络分析来研究促进仇恨的社区。为了克服狗叫和语言歧义，我们提出了一种基于BERT Transformer和BiLSTM网络的多模态神经架构，同时考虑到用户的自我网络和Meta特征。我们的多模态神经架构优于一组强大的基线。我们进一步展示了如何使用语言和网络结构串联允许仇恨社区的领导人的检测。我们进一步研究仇恨的“交叉性”，并表明反犹太人的回声与针对其他少数群体和受保护群体的仇恨言论相关。最后，我们分析了爱尔兰共和军巨魔在这个网络中扮演的角色，作为俄罗斯干涉运动的一部分。我们的研究结果使人们能够更好地了解种族主义的最新表现形式以及助长种族主义的动力。
2020-11-16 cs.CL cs.SI
Network community detection via neural embeddings
该研究揭示了浅层线性神经网络node2vec的社区检测能力源于其嵌入与对称归一化拉普拉斯谱嵌入的等价性，证实其在稀疏图及度异质网络中可达到信息论检测极限，阐明了图神经网络的社区分离机制。
2024-11-01 cs.SI physics.soc-ph
A Map Equation with Metadata: Varying the Role of Attributes in Community Detection
大部分社区发现文献研究的是结构化社区，即仅由网络的连接模式定义的社区。通常，网络包含可以通知社区发现的附加元数据，诸如高中社交网络中的学生的年级和性别。在这项工作中，我们引入了一个调整参数的内容地图方程，允许用户的信息地图社区发现算法来控制元数据的相对重要性，以确定网络结构。在合成网络上，我们表明，我们的算法可以克服结构检测能力的限制时，元数据是良好的社区结构对齐。在现实世界的网络中，我们展示了我们的算法如何实现更大的互信息的元数据在传统的地图方程的成本。我们的调优参数，就像显微镜的聚焦旋钮，允许用户对社区进行“放大”和“缩小”，并对元数据进行不同程度的关注。
2019-09-22 cs.SI physics.data-an physics.soc-ph
Efficient algorithm based on non-backtracking matrix for community detection in signed networks
社区检测或聚类是理解复杂系统结构的关键任务。在某些网络中，节点可以被“正”或“负”边连接，这样的网络被称为带符号网络。发现签名网络中的社区比发现未签名网络中的社区更具挑战性。在这项研究中，我们创造性地开发了一个非回溯矩阵的签署网络，理论上推导出一个可检测性阈值，并证明了使用该矩阵的社区检测的可行性。通过考虑网络中的平衡路径（称为平衡非回溯矩阵），我们进一步改进了所开发的矩阵。仿真结果表明，基于平衡非回溯矩阵的算法明显优于基于邻接矩阵和符号非回溯矩阵的算法。建议（改进）矩阵显示出巨大的潜力，用于检测社区有或没有重叠。
2020-10-10 cs.SI physics.soc-ph
Does AI-Assisted Fact-Checking Disproportionately Benefit Majority Groups Online?
近年来，算法已被纳入事实检查管道。它们不仅用于标记以前经过事实核查的错误信息，而且还提供关于哪些趋势主张应优先进行事实核查的建议-一种称为“核查价值”的范例。虽然有几项研究已经检查了这些算法的准确性，但没有一项研究调查了这些算法的好处（通过减少错误信息的暴露）如何在各种在线社区中分布。在本文中，我们研究了人工智能开发管道的多个阶段的不同代表性如何影响不同在线社区的人工智能辅助事实检查的利益分配。我们模拟信息传播通过网络使用我们的新的主题感知，社区影响的Twitter（TACIT）模拟器在一个大型的Twitter追随者网络，调整，以产生真实的级联的真实和虚假的信息在多个主题。最后，使用模拟数据作为测试平台，我们实施了许多算法事实检查干预措施，明确说明多样性的概念。我们发现，代表性和平等主义的抽样和标记检查值模型训练数据的方法可以导致网络范围内的利益集中在大多数社区，而将多样性纳入事实检查员如何使用算法建议可以积极减少大多数和少数社区之间的利益不平等。这些发现有助于围绕社交媒体平台和事实核查组织负责任地实施人工智能辅助的事实核查进行重要对话。
2023-02-09 cs.CY cs.SI
Italian Twitter semantic network during the Covid-19 epidemic
2019冠状病毒病大流行对全世界人口的生活产生了深刻影响，引发了一场参与性的社会辩论。与其他情况一样，这场辩论也是几次错误信息运动的主题;然而，错误信息的存在以前所未有的方式严重危及公共健康。从这个意义上说，检测恶意叙述的存在并确定更容易传播它们的用户类型是限制前者持久性的第一步。在本文中，我们分析了意大利首次封锁期间在Twitter上观察到的语义网络（由2020年3月23日至2020年4月23日期间发布的约150万条推文中包含的标签引起），并研究了各种话语社区暴露于d/错误信息参数的程度。正如其他研究所观察到的那样，恢复的话语社区在很大程度上与传统政党重叠，即使辩论的主题涉及流行病管理的不同方面。虽然与d/误传直接相关的主题在我们的语义网络中只占少数，但它们的受欢迎程度在各种话语社区中分布不均匀。
2021-06-10 cs.SI physics.data-an
Fairness Rising from the Ranks: HITS and PageRank on Homophilic Networks
该研究针对同配网络中链接分析算法的少数群体排名偏见问题，对比发现PageRank可均衡高排名中少数群体占比，而HITS会因网络同配性放大偏见，并通过合成与真实数据集验证了相关结论。
2024-03-08 cs.IR cs.SI
Network Diffusion Model Reveals Recovery Multipliers and Heterogeneous Spatial Effects in Post-Disaster Community Recovery
本研究构建网络扩散模型，结合遗传算法，利用哈维飓风后休斯顿数据，发现恢复空间效应异质，低收入和少数族裔区域为恢复乘数，优先投资可加速整体恢复并促进公平。
2023-06-22 cs.SI
Asymptotic analysis of the stochastic block model for modular networks and its algorithmic applications
在本文中，我们扩展了我们以前的工作随机块模型，社会和生物网络的一个常用的生成模型，以及从网络的拓扑结构推断功能组或社区的问题。我们使用统计物理的腔方法来获得相图的渐近精确分析。我们详细描述了社区检测问题的可检测性/不可检测性相变和易/难相变的性质。我们的分析自然地转化为用于以最佳方式推断节点的组成员资格的置信传播算法，即，最大化与底层组成员的重叠，并学习块模型的底层参数。最后，我们将该算法应用到两个现实世界的网络的例子，并讨论其性能。
2013-05-08 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Assortative Mixing Equilibria in Social Network Games
众所周知，社交网络中的个体倾向于表现出同质性（也称为同质性）。在他们的社会关系中，这意味着他们更喜欢与自己的同类建立联系。但造成这种现象的原因是什么呢？是不是这样的关系比较方便，比较容易维持？或者说，从这种集体行为中是否也能获得一些更切实的好处？目前的工作需要一个博弈论的角度来看这一现象，并研究在何种条件下，不同的竞争性混合策略导致在不断发展的社会网络的平衡。我们专注于一个有偏见的偏好依恋模型，其中每个群体的策略（例如，政治或社会少数群体）决定了其成员对其他群体成员和非成员的偏见程度。我们的第一个结果是，如果群体试图最大化的效用函数是群体的度中心性，解释为网络中群体成员的度之和，那么实现纳什均衡的唯一策略是完美同质性，这意味着与其他群体的合作对这个效用函数是有害的。第二个，也许更令人惊讶的结果是，如果将组间合作的奖励添加到效用函数中（例如，外部由权威作为法规强制执行），那么只有两种可能的均衡，即完全同质或完全异质，并且可以描述其可行性空间。有趣的是，无论人口中的少数-多数比例如何，这些结果都成立。我们相信，这些结果，以及本文提出的博弈论的角度来看，可能有助于更好地理解的力量，塑造我们的社会群体和社区。
2017-03-26 cs.GT cs.SI physics.soc-ph
DQ4FairIM: Fairness-aware Influence Maximization using Deep Reinforcement Learning
Eindhoven University of Technology, The Netherlands（埃因霍温理工大学、荷兰）
DQ4FairIM通过深度强化学习实现公平性意识的影响力最大化，确保所有社区公平传播影响力，同时在保持性能平衡的同时提升公平性。
2025-11-29 cs.LG cs.SI stat.ML
Hierarchical community structure in networks
RWTH Aachen University（亚琛工业大学）；Maastricht University（马斯特里赫特大学）
本文针对网络中层次社区结构缺乏严格理论的问题，基于随机外部公平划分和随机块模型定义层次结构，并通过谱分析提出一种高效且有原则的层次检测方法。
2023-04-25 cs.LG cs.SI
Cyberbullying or just Sarcasm? Unmasking Coordinated Networks on Reddit
Dwarkadas J. Sanghvi College of Engineering（德瓦卡达斯·J·桑格维工程学院）
本研究针对网络语言细微差别导致网络欺凌与讽刺难区分的问题，提出结合NLP和机器学习的框架，在Reddit自定义数据集上达95.15%准确率，还发现易感群体及欺凌群体协同行为模式，助力提升网络安全检测能力。
2024-10-26 cs.LG cs.SI
