约束枚举揭示基于模块度的社区检测中的隐藏最优解与精度依赖的简并性
Constrained Enumeration Reveals Hidden Optima and Precision-Dependent Degeneracy in Modularity-Based Community Detection
浏览论文内容
中文总结 AI 辅助
本文提出两阶段约束枚举方法，通过采样至新颖性饱和并锁定稳定核心枚举残余歧义，扩展平台覆盖并提升模块度，同时揭示边权重舍入对平台结构的精度依赖影响。
中文摘要 AI 辅助
模块度景观在接近顶部时往往是平坦的：许多不同的划分获得难以区分的分数，并且启发式算法的重复运行仍可能错过可访问的最优解。我们引入了一个两阶段工作流程：（i）采样划分直到新颖性饱和，然后（ii）将不稳定性定位到一小部分节点，并在锁定的稳定核心下仅枚举该残余歧义。在一个简单的50节点基准网络和一个真实的加权合作网络上，约束枚举系统地扩展了平台覆盖范围，并且可以超越广泛的Louvain重启来改进模块度。最后，我们表明边权重舍入定性地重塑了平台结构，使得精度敏感性成为解空间报告的必要组成部分。
英文摘要
Modularity landscapes are often flat near the top: many distinct partitions achieve indistinguishable scores, and repeated runs of heuristic algorithms can still miss accessible optima. We introduce a two-phase workflow that (i) samples partitions until novelty saturates, then (ii) localises instability to a small subset of nodes and enumerates only that residual ambiguity under a locked stable core. Across a simple 50-nodes benchmark network, and a real weighted collaboration network, constrained enumeration systematically expands plateau coverage and can improve modularity beyond extensive Louvain restarts. Finally, we show that edge-weight rounding qualitatively reshapes plateau structure, making precision sensitivity an essential part of solution-space reporting.
发表机构
- Area Science Park（地区科学园）
机构由 AI 辅助整理，请以论文原文为准。
