Community detection in network using Szegedy quantum walk
National Institute of Technology Agartala(阿加塔拉国立技术学院)
本文提出利用Szegedy量子行走方法,通过量子行走的极限概率分布发现网络中的社区结构。
2026-02-09 cs.SI math.CO physics.soc-ph
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
Flow-based Community Detection in Hypergraphs
为了将系统的结构、动力学和功能与多体相互作用联系起来,网络科学家在超图上对随机漫步进行建模,并识别出长期限制漫步的社区。两种基于流的社区检测方法马尔可夫稳定性和地图方程基于不同的原则和搜索算法来识别这样的社区。但由此产生的社区有多相似呢?我们解释了这两种方法的机械应用到超图,并比较他们在合成和现实世界的超图使用各种超边大小有偏随机游动和时间尺度。我们发现,地图方程是更敏感的时间尺度的变化和马尔可夫稳定性是更敏感的超边尺寸偏差。
2021-05-10 physics.soc-ph
Bayesian Modeling of Random Walker for Community Detection in Networks
我们提出了一个生成模型,利用随机游走检测网络中的全局最优社区结构。先进的参数优化算法的马尔可夫链蒙特卡罗方法的基础上开发,以克服EM算法,这已被用于在以前的作品,但有时被困在局部最优值取决于初始条件的局限性。我们将算法应用于合成和真实世界的网络,以检查它们在检测社区的精度和鲁棒性方面的性能。实验结果表明,Gibbs采样器的性能优于以往的方法,特别是在检测重叠社区。随机游走者的马尔可夫动力学是鲁棒地检测最优社区结构的关键。
2019-10-25 cs.SI physics.soc-ph
Mapping memory-biased dynamics with compact models reveals overlapping communities in large networks
Siftlab AB(Siftlab有限公司);University of Oxford(牛津大学);University of Zurich(苏黎世大学);University of Gothenburg(哥德堡大学)
针对识别基于流的重叠社区需高阶关系数据却常不可得的问题,该研究利用node2vec的流模型,通过紧凑模型对记忆偏置随机游走的高阶动态约束建模,结合地图方程框架识别重叠模块,在合成及实证网络中表现稳健且可扩展至大型网络。
2025-11-12 physics.soc-ph
Topologically biased random walk with application for community finding in networks
提出了无向网络拓扑有偏随机游动的一种新方法。我们专注于一个参数家庭的偏见,并通过使用正式的类比与微扰理论在量子力学,我们调查的特点偏置随机游动。这种类比是通过使用参数运动方程(PEM)来研究随机游动{ \em vs.}参数值。此外,我们还分析了与弛豫速率相关的过渡矩阵的第二本征值的谱隙最大值。这些研究的应用允许{ \em ad hoc}算法用于复杂网络及其社区的探索。
2010-10-22 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Community detection in networks using self-avoiding random walks
不同类型的随机游动在复杂网络的结构特性研究中被证明是有用的。其中,自避免随机游动(SAW)的限制动力学,在同一个行走中的每个顶点最多只访问一次,已被成功地用于网络探索。网络中强连通顶点社区的检测仍然是一个开放的问题,尽管它的重要性,由于相关的优化问题的高计算复杂性和缺乏一个唯一的正式定义的社区。在这项工作中,我们提出了一种基于SAW的方法来提取网络的社区分布,并表明它实现了很高的模块化分数,特别是对于现实世界的网络。我们结合SAW与主成分分析来定义用于凝聚层次聚类的相异性度量。为了评估该方法的性能,我们将其与四种流行的社区检测方法进行比较:Girvan-Newman,Fastgreedy,Walktrap和Infomap,使用两种类型的合成网络和六个着名的真实案例。
2018-01-21 cond-mat.stat-mech cs.SI physics.soc-ph
Modular decomposition of Markov chain: detecting hierarchical organization of pervasive communities
在网络科学中,一组节点彼此连接的概率高于组外节点的概率,这组节点被称为社区。从各个社区与构成由网络描述的复杂系统的功能模块相关联的观点来看,发现社区对于理解这些系统的整体功能是首要的。自网络科学诞生之初,人们就一直致力于开发网络社区检测方法。然而,揭示真实世界网络中社区关键特征的方法仍有待建立。在这里,我们制定了一个随机游走的分解蔓延到整个网络到本地模块作为社区的代理。这个公式将揭示社区的普遍结构及其层次组织,这是现实世界网络的标志,但大多数现有方法都无法达到。
2019-12-06 cond-mat.dis-nn physics.soc-ph
A new method for quantifying network cyclic structure to improve community detection
网络中社区的一个显著特性是,社区内的循环比社区间的循环更普遍。因此,这些社区的检测可以通过结合循环结构的局部“丰富度”的测量来帮助。在本文中,我们引入更新非回溯随机游动(RNBRW)作为量化这种结构的一种方式。RNBRW为每条边赋予一个权重,该权重等于非回溯随机游走与该边完成一个循环的概率。因此,具有较大权重的边可以被认为对循环的形成更重要。值得注意的是,由于可以并行执行单独的随机游走,因此可以非常快速地估计RNBRW权重,即使对于大型图也是如此。我们给出的仿真结果表明,预加权边缘通过RNBRW可以大大提高常见的社区发现算法的性能。我们的结果表明,RNBRW对于检测稀疏图中的社区的挑战性情况特别有效。
2019-10-18 cs.SI physics.soc-ph
Random Walks, Markov Processes and the Multiscale Modular Organization of Complex Networks
大多数发现复杂网络中社区的方法依赖于组合图的性质。通常,与空随机图模型相比,边计数质量函数(例如模块性)在图的所有分区上进行优化。在这里,我们介绍了一个系统的动态框架,设计和分析各种各样的质量功能的社区检测。划分的质量是通过其马尔可夫稳定性来衡量的,马尔可夫稳定性是一个时间参数化函数,根据图上发生的马尔可夫过程的统计特性定义。马尔可夫过程提供了对图中所有尺度的动态扫描,而时间尺度是一个内在参数,可以以不同的分辨率揭示社区。这种基于动态的社区检测导致了复合优化,它有利于具有可比中心性的社区(如由固定分布定义的),并为谱算法提供了统一的框架,以及用于社区检测的不同算法,包括模块化和Potts模型的版本。我们的动态框架创建了一个系统的不同的随机动态之间的联系,并根据不同的(节点和边缘)中心的最佳社区的相应概念。我们表明,马尔可夫稳定性可以有效地计算,以找到大型网络中的多尺度社区结构。
2015-02-15 cond-mat.stat-mech cs.SI physics.soc-ph
Overlapping Communities in Complex Networks
社区是网络的子集,它们内部连接密集,与网络的其他部分只共享很少的连接。本研究的目的是开发和评估一种有效的算法,用于检测重叠,模糊社区。该算法将我们要发现的每个社区的一些成员作为输入。我们称这些成员为种子节点。然后,该算法通过使用从非种子节点开始并在到达种子节点时结束的随机游走来传播该信息。然后,在非种子节点$v$处开始的随机游走在种子节点$s$处结束的概率等于$v$属于$s$的社区的概率。该算法在时间上运行$\tilde{O}(l \cdot m \cdot \log n)$,其中$l$是要检测的社区的数量,$m$是边的数量,$n$是节点的数量。$\tilde{O}$ -符号隐藏了一个最多为$(\log \log n)^2$的因子。Lancichinetti等人提出的LFR基准。用于评估算法的性能。我们发现,给定一组良好的种子节点,它能够以有意义的方式重建网络的社区。
2014-09-26 cs.SI physics.soc-ph
Computing the statistical significance of optimized communities in networks
在网络数据中发现社区,用于无监督学习,特征发现,异常检测或科学研究通常是令人感兴趣的。绝大多数社区检测方法通过优化质量函数来进行,即使在没有社区的随机网络上也是可能的。因此,通常没有一种简单的方法来判断社区是否“重要”,在这种情况下,这意味着比在没有社区的随机图模型下预期的内部连接更多。本文将现有的空模型推广到二分图,并引入了一种新的重要性评分算法,称为快速优化社区重要性(FOCS),该算法具有高度可扩展性和不可知性。此外,与单部图上的现有方法相比,FOCS在数值上更稳定,并且更好地平衡了检测能力和误报之间的权衡。
2018-11-17 cs.SI physics.soc-ph stat.ME
Finding communities in sparse networks
基于网络矩阵表示的谱算法常被用来检测社区,但基于邻接矩阵及其变体的经典谱方法不能检测稀疏网络中的社区。基于非回溯随机游走的新谱方法最近被引入,成功地在许多稀疏网络中检测社区。然而,非回溯随机游走的频谱忽略了网络中的悬挂树,这些树可以包含关于网络社区结构的信息。我们引入了不情愿的回溯算子,明确占挂树,因为他们承认一个小的概率返回到前一个节点不像非回溯算子,禁止立即返回。我们发现,不情愿的回溯算子可以检测社区在某些稀疏网络中的非回溯算子不能,同时执行基准随机块模型网络和现实世界的网络。我们还表明,频谱的不情愿回溯算子近似优化的标准模块化功能类似的流矩阵。有趣的是,对于这个非回溯和非回溯回溯算子家族,在现实网络中性能的主要决定因素是它们是否被归一化以保持每个节点的概率。
2015-09-22 cs.SI physics.soc-ph
Maximal entropy random walk in community finding
本文的目的是检查的可行性,使用最大熵随机游走算法发现复杂网络中的社区。许多这样的算法利用普通的或有偏的随机游走用于此目的。它们的关键部分是一个(不)相似性矩阵,根据该矩阵对节点进行分组。本研究包括使用随机游动的随机矩阵,其平均首次通过时间矩阵,和加权路径计数矩阵。我们简要地指出这些数量之间的联系,并建议用最大熵随机游走代替以前选择的模型。这种独特的随机游走使给定长度和端点的路径集合的熵最大化,这导致这些路径的等概率。我们比较所选算法的性能LFR基准图。结果表明,性能的变化非常强烈地依赖于特定的算法,并可能导致轻微的改善以及显着恶化。
2012-08-17 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Synwalk -- Community Detection via Random Walk Modelling
Graz University of Technology(格拉茨技术大学);Know-Center GmbH(Know-Center 有限公司)
复杂系统在日常生活中无处不在,抽象地表示为网络。分析和理解这些系统需要社区发现工具等。由于不可能存在单一的最佳社区发现算法,因此期望跨各种各样的问题设置的鲁棒性。在这项工作中,我们提出了Synwalk,一个基于随机行走的社区发现方法。Synwalk建立在坚实的理论基础上,通过从一类候选随机游走中合成给定网络引起的随机游走来检测社区。我们彻底验证了我们的方法的有效性合成和经验网络,分别,并比较Synwalk的性能与性能的信息地图和Walktrap。我们的研究结果表明,Synwalk在具有不同混合参数和度分布的网络上具有鲁棒性。我们在具有高混合参数的网络上优于Infomap,在具有许多小社区和低平均度的网络上优于Infomap和Walktrap。我们的工作有可能激发进一步发展的社区发现通过合成的随机游动,我们为未来的研究提供了具体的思路。
2021-01-21 cs.LG cs.SI physics.soc-ph
Ant Colony Optimization with a New Random Walk Model for Community Detection in Complex Networks
从复杂网络中发现社区最近引起了人们的极大兴趣。针对这一问题,提出了一种基于马尔可夫随机游走理论的蚁群优化策略MACO。该算法以蚁群优化框架为基本框架。在每次迭代中,采用马尔可夫随机游走模型作为启发式规则,通过聚类集成的思想将所有蚂蚁的局部解聚合为一个全局解,然后利用全局解更新信息素矩阵.该战略依赖于逐步加强社区内部的联系和削弱社区之间的联系。逐渐地,这收敛到一个解决方案,在这个解决方案中,复杂网络的底层社区结构将变得清晰可见。建议的MACO已评估合成基准和一些现实世界的网络,并与一些目前的竞争算法。实验结果表明,MACO是非常有效的发现社区。
2013-03-24 cs.SI physics.soc-ph
Finding and testing network communities by lumped Markov chains
识别社区(或集群),即具有相对较强内部连通性的节点组,是深入理解网络结构和功能的基本任务。然而,缺乏界定社区和检验其重要性的正式标准。我们提出了一个尖锐的定义,这是基于一个显着性阈值。通过一个集总马尔可夫链模型的随机步行者,一个质量度量称为“持久性概率”相关联的集群。然后,如果这样的概率不小于$α$,则将集群定义为“$α$ -社区”。一致地,由$α$ -社区组成的分区是“$α$ -分区”。这些定义对于寻找和测试社区非常有效。如果一组候选分区可用,则设置期望的$α$级别允许立即选择具有最精细分解的$α$分区。同时,持久性概率量化了每个社区的重要性。鉴于其单独评估每个集群的质量的能力,这种方法也可以揭示单个定义明确的社区,即使在网络中,总体上不具有明确的集群结构。
2011-06-03 cs.SI physics.soc-ph
A Feasible Graph Partition Framework for Random Walks Implemented by Parallel Computing in Big Graph
图划分是大规模图数据并行计算的基本问题。在矩阵计算和PageRank等应用中,已经提出了许多图划分算法来解决这个问题,但没有人注意到随机游动。随机游动是研究图结构的一种广泛应用的方法。随机游动图划分的挑战包括大量的时间之间的通信,大量的顶点的复制,不平衡的分区等,在本文中,我们提出了一个可行的图划分框架的并行计算实现的大图的随机游动。该框架基于两个优化函数,在保证负载均衡的前提下,降低带宽、内存和存储开销。在此框架下,提出了几种贪婪图划分算法。我们还提出了五个指标,从不同的角度来评估这些算法的性能。通过在真实世界的大图数据集上运行算法,实验结果表明,该框架中的算法能够针对不同的需求解决随机游走的图划分问题,在减少通信次数方面最好的结果提高了70倍以上。
2014-12-31 cs.DC cs.SI physics.soc-ph
Identifying Communities and Key Vertices by Reconstructing Networks from Samples
抽样技术,如响应者驱动抽样(RDS)广泛用于流行病学中对“隐藏”人群进行抽样,以便从样本中推断出网络的属性。我们考虑如何设计类似的技术,允许发现的结构,特别是社区结构,网络。我们的方法包括通过随机游走收集网络样本,并通过概率合并顶点来重建网络,使用顶点属性来确定概率。尽管我们的方法只能近似地重建原始网络的一部分,但它可以相对较好地恢复其社区结构。此外,它可以找到关键顶点,当免疫时,可以有效地减少感染通过原始网络的传播。
2013-04-24 cs.SI physics.soc-ph
An adaptation of InfoMap to absorbing random walks using absorption-scaled graphs
受疾病传播动态启发,本文通过吸收缩放图和 Markov 时间扫描将 InfoMap 适配于吸收随机游走,证明该方法能揭示异质节点吸收率对网络社区结构及 SIR 动态的重要影响。
2024-04-23 cs.LG cs.SI math.PR
A Local Perspective on Community Structure in Multilayer Networks
多层网络的分析是网络科学中最活跃的领域之一,现在有几种方法可以检测多层网络中节点的密集“社区”。定义社区的一种方法是将其定义为一组节点,这些节点在很长一段时间内捕获了类似扩散的动态过程(通常是随机游走)。在这种观点中,社区是一组节点,它们对网络上动态过程的传播产生瓶颈。我们分析了多重网络(这是多层网络,其中不同的层对应于不同类型的边缘)上不同的随机游走的局部行为,并表明它们具有非常不同的瓶颈,因此对应于相当不同的概念,这意味着一组节点是一个很好的社区。这对基于这些随机游走的社区检测方法的行为有直接的影响。
2016-05-22 cs.SI math.PR nlin.AO
On the relationship between the structural and socioacademic communities of a coauthorship network
本文提出了一项研究,比较检测到的结构社区的合著网络组成的网络的学者的社会学术特征。合作网络是从一个多机构,跨学科的研究小组的书目记录,专注于传感器网络和无线通信的研究。采用四种不同的社区发现算法为网络中的每个学者分配一个结构社区:领先特征向量,walktrap,边缘介数和spinglass。社会学术特征是从学者中收集的,包括他们的学术部门,学术联系,原籍国和学术地位等信息。皮尔森的$χ^2$测试,与模拟蒙特卡洛,揭示了结构社区最好的代表在同一学术部门和同一机构工作的个人群体。这一结果的概括表明,即使在跨学科,多机构的研究小组,合著主要是由部门和机构的联系。
2008-07-18 cs.DL physics.soc-ph
Overlapping Communities in Social Networks
复杂网络通常可以分解为组或模块。发现这种“社区结构”是研究网络大规模结构的重要一步。许多算法已经被提出用于社区发现,并且已经创建了基准来评估它们的性能。通常,用于社区发现的算法或者划分图(非重叠社区)或者找到节点覆盖(重叠社区)。在本文中,我们提出了一个特别简单的半监督学习算法发现社区。本质上,给定少量“种子节点”的社区信息,该方法使用从种子节点的随机游走来揭示整个网络的社区信息。该算法按时间$O(k \cdot m \cdot \log n)$运行,其中$m$是边的数量; $n$是链路的数量;以及$k$是网络中的社区的数量。在具有$m = O(n)$和恒定数量社区的稀疏网络中,该运行时间几乎与网络大小成线性关系。我们的算法的另一个重要特点是,它可以用于非重叠或重叠的社区。我们测试我们的算法使用LFR基准创建的Lancichinetti,Raviato,和Radicchi专门用于评估这些算法的目的。我们的算法可以竞争的最好的算法,为两个非重叠和重叠的社区,发现在全面的研究Lancichinetti和Ravinato。
2014-12-18 cs.SI physics.soc-ph
Community detection based on first passage probabilities
社区发现对于理解复杂网络的拓扑特征和传播动态具有重要意义。随机游走被广泛应用于社区发现算法中,但仍存在两个主要缺陷:(1)如果使用所有可能随机游走的平均步长,则随机游走的最大长度太大,无法区分聚类信息;(2)如果使用预先分配的最大长度,则在所有其他步长处都错过了有用的社区信息。在本文中,我们提出了一种新的社区检测方法的基础上的第一次通过概率(FPPM),配备了一个新的相似性度量,包括完整的结构信息的最大步长。这里选择网络的直径作为随机游动的一个合适的边界,它对不同的网络是自适应的。然后,我们使用层次聚类分组的顶点到社区,并进一步选择相应的模块度值的最佳划分。最后,设计了一种后处理策略,对不合理的小社区进行整合,显著提高了社区划分的准确性。令人惊讶的是,数值模拟表明,FPPM表现最好的几个经典算法相比,在合成基准和现实世界的网络,这表明我们的方法的通用性和有效性。
2020-05-05 cs.SI physics.soc-ph
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题,基于对社区特征的启发式假设,如边缘密度和节点同质性。在这项工作中,我们怀疑这些广泛采用的假设的普遍性,并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果,我们认为,社区是由各种社会模式和无监督学习的基础上,数学是无法捕捉所有这些。因此,我们建议通过面向社区的网络嵌入(CONE)将监督注入社区发现中,CONE利用有限的地面实况社区作为示例来学习嵌入模型,了解它们背后的社会模式。具体来说,通过将递归神经网络与图上的随机行走相结合,开发了一种深度架构,以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法,然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
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
Quantum walk on simplicial complexes for simplicial community detection
针对经典随机游走无法直接检测高阶社区结构的问题,本研究提出基于单纯复形离散时间量子行走、采用Fourier硬币生成纠缠态的单纯社区检测量子算法,在扎卡里空手道俱乐部网络验证了潜力,为复杂系统研究提供新路径。
2024-04-26 math.AT physics.data-an physics.soc-ph
Random-walk Based Generative Model for Classifying Document Networks
文档网络存在于真实世界数据的各种集合中,例如引用网络、超链接网页和在线社交网络。已经提出了大量的生成模型,因为它们为分析文档网络提供了直观和有用的图片。突出的例子是关系主题模型,其中文档根据其主题相似性进行链接。然而,现有的生成模型没有充分利用网络结构,因为它们在很大程度上依赖于文档的主题建模。特别是,在以前的模型的生成过程中,图节点的中心性缺失。在本文中,我们提出了一种新的生成模型的文件网络,通过引入网络上的随机游走节点的中心性集成到链接生成过程。在半监督分类任务与现实世界的引文网络中评估所开发的方法。我们表明,该模型优于现有的概率方法,特别是在连接网络中的社区检测。
2020-01-21 cs.IR cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中,已经观察到定义明确的社区结构。大量的用户参与这些网络,所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如,在时间Twitter网络中,当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时,社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点,影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤,从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络,现有的度量(如介数中心性)很难计算,即使使用最新的方法来近似所需的大量操作。因此,我们设计了一种算法,可扩展到当前的大数据需求的需求,并有能力利用并行处理能力。新算法在合成数据上进行了说明,可以仔细判断结果,也可以在真实的大规模Twitter活动数据上进行说明,可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
Layer Communities in Multiplex Networks
多路复用网络是一种多层网络,其中实体通过多种类型的连接彼此连接。我们提出了一种方法,计算层之间的成对相似性,然后做社区检测的基础上,分组结构相似的层复用网络。我们使用合成网络和经验网络来说明我们的方法,并且我们能够在这两种情况下找到有意义的层组。例如,我们发现,位于相似地理位置的航空公司倾向于在航空公司多路网络中分组在一起,物理学的相关研究领域倾向于在多路合作网络中分组在一起。
2017-06-13 cs.SI physics.data-an physics.soc-ph
Using higher-order Markov models to reveal flow-based communities in networks
由相互作用的元素组成的复杂系统通常被抽象为网络,其中节点与动态状态变量相关联,其演化由边介导的相互作用驱动。马尔可夫过程已经成为建模这种基于网络的动态的流行范例,例如以随机游走或其他类型的扩散的形式。尽管这种建模视角在许多应用中取得了成功,但它代表了对几个现实世界系统的过度简化。重要的是,简单的马尔可夫模型在其动态中缺乏记忆,这一假设在实践中往往不现实。在这里,我们探索的可能性,以丰富系统的描述,通过二阶马尔可夫模型,利用经验路径信息。我们专注于社区检测的问题,并表明,标准的网络算法可以推广,以提取新的时间信息的系统正在调查。我们还将我们的方法应用于时间网络,在那里我们可以发现由系统中的时间相关性形成的社区。最后,我们讨论了二阶马尔可夫过程的框架和最近提出的使用非回溯矩阵的社区检测的形式主义的关系。
2017-01-27 cs.SI physics.soc-ph
Improving PageRank for Local Community Detection
社区发现是图挖掘领域的一个经典问题。虽然大多数算法都适用于整个图,但在实践中,只恢复包含某个给定种子节点集的社区通常是有趣的。在本文中,我们提出了一种新的方法来解决这个问题,使用一些低维嵌入的图的基础上从种子节点开始的随机游走。从这个嵌入,我们提出了一些简单而有效的版本的PageRank算法,以及一种新的算法,称为WalkSCAN,能够检测多个社区,可能重叠。我们通过对一个玩具网络的理论分析,深入了解这些算法的性能,并表明WalkSCAN在真实网络上的性能优于现有算法。
2016-11-07 cs.SI physics.soc-ph
Mapping flows on hypergraphs
超图为描述复杂系统中的多体相互作用提供了一种明确的形式。为了将系统中的动力学和功能与这些高阶相互作用联系起来,网络科学家将随机行走模型推广到超图,并研究了多体效应对基于流的中心性度量的影响。但是绘制这些流的大尺度结构需要有效的社区检测方法。我们推导出了超图流的单部、二部和多层网络表示,并探讨了它们和底层随机游走模型如何改变所识别的多层社区的数量、大小、深度和重叠。这些结果有助于研究人员在超图上映射流时选择适当的建模方法。
2021-01-03 physics.soc-ph
Emergence of community structures through biased random walks rewiring
社区结构已经在各种复杂的现实世界网络中被识别出来,例如,通信,信息,互联网和股东网络。群落规模分布的尺度性反映了网络拓扑结构的异质性。现有的网络生成或生长模型能够再现网络的一些性质,包括度分布、大聚类系数和社区。然而,社区规模的缩放行为缺乏调查,特别是从本地相互作用的角度。基于异构节点行为不同导致网络拓扑位置不同的假设,我们提出了有向网络中设计随机游动的模型来解释观测网络中的特征.该模型强调了两种不同的动力学可以模拟局部相互作用,并且在再现真实复杂网络的特征时,隐藏层是必不可少的。该模型可以解释的关键特征包括社区规模分布、度分布、渗流性质、平均路径长度分布以及上述性质对数据中节点标签的依赖性。
2022-07-08 math.DS physics.soc-ph
Beyond Direct Retweets: Multi-Step Pathways in Italian COVID-19 Twitter
University of Pisa(比萨大学);IMT School for Advanced Studies(IMT高等研究院);Institute of Informatics and Telematics (IIT), National Research Council (CNR)(意大利国家研究委员会信息学与遥测研究所);“Enrico Fermi” Research Center(恩里科·费米研究中心);School of Economics and Management, University of Turin(都灵大学经济与管理学院)
本研究通过结合社区重建管道和高阶随机游走框架,分析意大利COVID-19推特辩论中多步路径如何重新分配跨社区注意力,发现注意力随路径长度增加而减弱,且跨社区再分配存在非均匀性和方向不对称性。
2026-09-24 physics.soc-ph
Semi-Supervised Community Detection via Quasi-Stationary Distributions
针对两平衡社区的PL-SBM半监督社区检测场景,提出基于随机游走拟平稳分布的分类方法,证明该类算法在连通区域达最优错误率,实验验证其在真实与模拟数据集上性能更优。
2024-12-13 cs.SI math.ST physics.soc-ph
The Interplay Between Dynamics and Networks: Centrality, Communities, and Cheeger Inequality
我们研究一个动态的过程和网络的结构之间的相互作用,它被定义。具体来说,我们研究这种相互作用的影响,网络集群和节点中心的质量测量。这使我们能够有效地识别网络社区和参与动态的重要节点。作为实现这一目标的第一步,我们引入了一个伞形框架,用于定义和表征网络上的动态过程的集合。该框架将传统的Laplacian框架推广到连续时间有偏随机游动,并允许我们在网络上模拟一些流行病过程。对于我们框架中的每个动态过程,我们可以定义一个函数来度量每个节点子集的质量,作为给定网络上该过程的潜在集群(或社区)。该子集质量函数推广了传统的图划分电导测度。我们部分证明了我们的选择的质量函数的经典Cheeger的不等式,它涉及的网络中的最佳集群的电导与其拉普拉斯矩阵的谱量,可以从拉普拉斯电导设置扩展到这个更一般的设置。
2015-03-26 cs.DM cs.SI physics.soc-ph
Detecting dense communities in large social and information networks with the Core & Peel algorithm
社会网络和信息网络中稠密子图(紧社区)的检测和刻画是社会网络分析中的一个重要探索工具。已经提出了几种方法,或者(i)将整个网络划分为集群,即使在低密度区域,或者(ii)旨在找到单个分布式社区(并且需要迭代以找到下一个)。随着社交网络变得越来越大,方法(i)和(ii)导致算法太慢而不实用,特别是当需要分析数据的速度时。在本文中,我们提出了一种方法,旨在平衡效率的计算和表达能力和输出社区表示。我们定义了图的部分稠密覆盖(PDC)的概念。图的PDC是一组节点的集合,(a)每个集合形成一个不相交的稠密导出子图,(b)它的去除留下没有稠密区域的剩余图。PDC的精确计算是一个NP完全问题,因此,我们提出了一个有效的启发式算法来计算一个PDC,我们命名为核心和剥离。此外,我们提出了一种新的基准测试技术,使我们能够评估算法计算PDC使用经典的IR概念的精度和召回,即使没有一个黄金标准。在斯坦福大学大型网络数据集的25个社交和技术网络上进行的测试证实,Core和Peel是有效的,并且达到了非常高的精确度和召回率。
2012-10-11 cs.DS cs.SI physics.soc-ph
Limited Random Walk Algorithm for Big Graph Data Clustering
图聚类是理解大型图中顶点之间关系的重要技术。在本文中,我们提出了一种新的基于随机游走的图聚类方法。所提出的方法使用膨胀函数和归一化函数限制步行代理的范围。我们分析了有限的随机游走过程的行为,并提出了一种新的算法的全局和局部图聚类问题。以前的基于随机游走的算法依赖于所选择的适应度函数来找到种子顶点周围的聚类。所提出的算法以完全不同的方式解决问题。我们使用有限的随机游走过程中找到吸引顶点的图,并使用它们作为功能的顶点进行聚类。仿真图数据和真实大图数据的实验结果表明,该方法在解决图聚类问题上优于现有方法.由于所提出的方法使用了并行的范例,它可以有效地实现和嵌入在任何并行计算环境,如MapReduce框架。如果有足够的计算资源,我们能够在合理的时间内聚类具有数百万个顶点和数亿条边的图。
2016-06-21 cs.SI physics.soc-ph
A Markov chain model for the search time for max degree nodes in a graph using a biased random walk
我们考虑的问题估计的预期时间找到一个最大程度的节点上使用(参数化)有偏随机游走的图。对于独立图,正度相关性充当局部梯度,对于该局部梯度,偏向于选择更高度的邻居将平均减少搜索时间。不幸的是,虽然图上的预期吸收时间可以用吸收马尔可夫链的理论写下来,但计算这个时间对于大型图是不可行的。有了这个动机,我们构建了一个吸收马尔可夫链,每个度的图的状态,并观察到计算预期的吸收时间现在是计算上可行的。我们的论文发现了以下初步结果:i)存在所提出的马尔可夫模型能够捕获吸收时间的图和所述模型不能捕获吸收时间的图,ii)存在随机采样优于有偏随机游走的图和有偏随机游走优于有偏随机游走的图,以及iii)随机游走的最佳偏置参数依赖于图,并研究了图的可拓性的依赖性。
2016-02-25 cs.DM cs.SI physics.soc-ph
Community Detection in Dynamic Networks via Adaptive Label Propagation
提出了一种自适应标签传播算法(ALPA)来检测和监控动态网络中的社区。与每次修改网络后重新计算整个社区分解的传统方法不同,ALPA考虑了历史社区的信息,并通过本地标签传播过程根据网络修改更新其解决方案,这通常只影响网络的一小部分。这使得它能够以较低的计算成本响应网络变化。ALPA的有效性已经在合成和真实世界的网络上进行了测试,这表明它可以成功地识别和跟踪动态社区。此外,与其他方法相比,ALPA可以高质量和准确性地检测社区。因此,低复杂度和无参数,ALPA是一个可扩展的和有前途的解决方案,为一些现实世界中的应用程序的社区检测在动态网络中。
2017-11-17 cs.SI physics.soc-ph
A complex network approach to cloud computing
云计算已经成为提高计算速度的重要手段。严重影响这种系统性能的一个问题是选择节点作为负责执行用户任务的服务器。在这篇文章中,我们将报告如何使用复杂网络来模拟这样的问题。更具体地说,我们调查的处理性能分别以云系统为基础的Erdos-Renyi和Barabasi-Albert拓扑结构包含两个服务器。在我们的分析中还考虑了涉及两个社区的云网络,这些社区不一定具有相同的规模。每个配置的性能量化的两个指标:用户和最近的服务器之间的通信成本,以及两个服务器之间的任务分配的平衡。关于后一个索引,ER拓扑对于较小的平均度提供比BA情况更好的性能,并且对于较大的平均度提供相反的行为。关于成本,在BA拓扑中发现较小的值,而与平均度无关。此外,我们还验证了在ER中比在BA中更容易找到好的服务器。令人惊讶的是,平衡和成本并没有受到社区存在的太多影响。然而,对于定义良好的社区网络,我们发现将每个服务器分配给不同的社区以实现更好的性能是很重要的。
2015-04-10 cs.DC cs.SI physics.soc-ph
Parallel clustering with CFinder
关于复杂系统的可用数据量每年都在增加,越来越大的系统的测量被收集和记录。这种数据的自然表示是由网络给出的,其大小遵循原始系统的大小。当前计算基础设施中的多核趋势要求对早期方法进行并行重新实现。在这里,我们提出了网格版本的CCRs,它可以定位重叠的社区在有向,加权或无向网络的基础上集团渗透方法(CPM)。我们表明,社区的计算可以分布在几个CPU或计算机。虽然切换到并行版本不一定会导致计算时间的增加,但它确实使超大型网络的社区结构变得可访问。
2012-05-04 cs.DC cs.DS cs.SI