Multiresolution Consensus Clustering in Networks
网络通常在不同的尺度上表现出结构。我们提出了一种基于多分辨率模块化和一致性聚类的不同尺度的社区结构识别方法。我们的贡献包括两部分。首先,我们提出了一种策略,用于对多分辨率模块化质量函数的整个可能分辨率范围进行采样。我们的方法是直接基于模块化的属性,特别是,提供了一种自然的方式,避免需要增加几个数量级的分辨率参数,以打破一些剩余的小社区,有必要引入特设的限制,以标准的采样方法的分辨率范围。其次,我们提出了一个层次共识聚类过程,基于修改后的模块化,它允许一个层次的共识结构给定一组输入分区。虽然这里我们感兴趣的是它的应用程序使用多分辨率模块化采样的分区,这种共识聚类过程可以应用于任何聚类算法的输出。因此,我们看到许多潜在的应用程序的各个部分,我们的多分辨率共识聚类过程中,除了使用程序本身来识别网络中的层次结构。
2018-01-31 cs.SI physics.data-an physics.soc-ph
Modularity-based selection of the number of slices in temporal network clustering
本章探讨了在时序网络聚类中,当使用广义模块度识别聚类时,如何选择网络切片数量的问题。
2023-11-24 cs.SI physics.soc-ph
Distributed Graph Clustering using Modularity and Map Equation
我们研究大规模的分布式图聚类。给定一个无向图,我们的目标是将节点划分为称为簇的不相交集合。一个簇应该包含许多内部边,同时稀疏地连接到其他簇。在社交网络的上下文中,集群可以是一组朋友。模块化和映射方程是这种内密外疏原则的形式化描述。我们提出了两个版本的一个简单的分布式算法来优化这两个措施。它们基于Thrill,这是一个分布式大数据处理框架,实现了扩展的MapReduce模型。这两种度量的算法DSLM-Mod和DSLM-Map仅略有不同。使它们适应类似的质量测量是直截了当的。我们对真实世界的图和合成基准图进行了广泛的实验研究,这些图具有高达680亿条边。我们的算法是快速的,同时检测聚类类似于其他顺序,并行和分布式聚类算法检测。与分布式GossipMap算法相比,DSLM-Map算法需要更少的内存,速度快一个数量级,质量更好。
2018-06-07 cs.DC cs.DS physics.soc-ph
Maximizing Modularity is hard
已经提出了几种算法来计算网络划分为社区,这些社区在称为模块化的图聚类指数上得分高。虽然这些算法的出版物通常包含实验评估,以强调结果的可扩展性,但这些算法都没有被证明可以实际计算最佳分区。在这里,我们解决了未知的复杂性状态的模块化最大化,相应的决策版本是NP完全的强意义。因此,任何有效的,即多项式时间,算法只是启发式的,并在许多情况下产生次优分区。
2006-08-30 cond-mat.stat-mech physics.data-an physics.soc-ph
Modularity maximization and tree clustering: Novel ways to determine effective geographic borders
领土划分和地理边界对于理解社会学、政治学、历史学和经济学中的现象至关重要。它们影响到区域间的信息流动和跨界贸易,并影响到创新和技术的传播。然而,大多数现有的行政边界是由各种历史和政治情况以及某种程度的任意性决定的。社会发生了巨大变化,目前存在的边界是否反映了最合乎逻辑的划分令人怀疑。幸运的是,在历史的这一点上,我们能够通过人类流动来实际衡量社会地理结构的某些方面。诸如火车和航空公司之类的大规模交通系统提供关于在地理位置之间旅行的人数的数据,并且正在发现许多有前途的人类流动代理,诸如手机、钞票和各种在线社交网络。在本章中,我们将两种优化技术应用于人类流动代理(钞票流通),以调查从人类流动的直接分析中出现的有效地理边界。
2011-04-06 cs.SI physics.soc-ph
Detecting hierarchical and overlapping network communities using locally optimal modularity changes
凝聚聚类是一种确定网络社区的成熟策略。社区逐渐合并为更大的社区,使行为者网络粗化为更易于管理的社区网络。合并发生的顺序一般不清楚,因此需要选择要合并的社区对。我们描述了一个层次聚类算法的基础上的局部最优属性。对于网络中的每个边缘,我们将模块化变化与其链接的社区合并相关联。对于每一个社区顶点,我们称之为首选的边缘的模块化变化是最大的。当一条边被它所链接的两个顶点所偏好时,从局部观点来看,它似乎是最佳选择。我们使用局部最优边缘来定义算法:同时合并由局部最优边缘连接的所有社区对,这将增加模块化,在每一步之后重新确定局部最优边缘,并继续只要模块化可以进一步增加。我们将该算法应用于模型和经验网络,证明它可以有效地产生高质量的社区解决方案。我们将性能和实现细节与由此产生的社区层次结构相关联。我们还考虑了一个互补的局部聚类算法,描述了如何识别重叠社区的局部最优条件的基础上。
2013-09-04 cond-mat.dis-nn cs.SI physics.soc-ph
Generative hypergraph clustering: from blockmodels to modularity
超图是一种自然的建模范例,用于各种复杂的关系系统。标准的分析任务是识别紧密相关或密集互连的节点的集群。许多图形算法的这项任务是基于随机块模型的变体,一个随机图具有灵活的集群结构。然而,目前很少有超图聚类的模型和算法。在这里,我们提出了一个泊松度校正超图随机块模型(DCHSBM),生成模型的聚类超图异构的节点度和边的大小。近似的最大似然推理DCHSBM自然会导致一个聚类目标,概括了流行的模块化目标图。我们推导出一个通用的Louvain型算法为这个目标,以及一个更快的,专门的“全有或全无”(AON)的变种,其中边缘预计完全位于集群内。这种特殊的情况下,包括最近提出的超图的模块化,同时还纳入灵活的分辨率和边大小参数。我们表明,AON超图鲁汶是高度可扩展的,包括作为一个例子,实验上的合成超图的100万个节点。我们还证明,通过合成实验,超图社区发现的可检测性制度不同于基于二进图投影的方法。我们使用我们的生成模型来分析学校联系网络,美国国会法案共同赞助,美国国会委员会,共同购买行为中的产品类别以及来自网络浏览会话的酒店位置中的高阶结构的不同模式,找到可解释的高阶结构。然后,我们研究了我们的AON超图Louvain算法的行为,发现它能够在表现出相应的高阶结构的经验数据集中恢复地面真实聚类。
2021-08-18 cs.DM cs.SI physics.data-an
Bad Communities with High Modularity
在本文中,我们讨论了纽曼的模块化功能QN的一些问题。给定一个图G,G的模块度可以写为QN = Qf -Q 0,其中Qf是G的簇内边缘分数,Q 0是空模型的预期簇内边缘分数,即,一个与G具有相同期望度分布的随机连通图。因此,QN的最大化必须适应两个相反方向的因素:Qf有利于少量的集群,Q 0有利于许多平衡的(即,具有近似相等的度数)集群。在某些情况下,Q 0项可能导致高估真实的簇数;这与众所周知的由模块化的“分辨率限制”引起的估计不足效应相反。我们通过构建具有“自然”社区结构的图族来说明高估效应,然而,该社区结构并不最大化模块性。事实上,我们证明,我们总是可以找到一个图G的“自然聚类”V和另一个,G的平衡聚类U,使得(i)对(G; U)具有更高的模块性比(G; V)和(ii)V和U是任意不同的。
2013-02-27 cs.SI physics.data-an physics.soc-ph
Random Walks Along the Streets and Canals in Compact Cities: Spectral analysis, Dynamical Modularity, Information, and Statistical Mechanics
考虑了紧凑城市结构对偶图上的随机游动的不同模型。分析街道之间的访问时间有助于检测城市模块化。建立了懒惰随机游走者系综的统计力学方法。城市模块化的复杂性可以通过一个类似信息的参数来衡量,该参数扮演着{ \it Genius loci}的个体指纹的角色。城市的整体结构特征可以用随机游动问题中计算的几何参数来表征。
2006-12-08 physics.data-an physics.soc-ph
A fast multilevel algorithm for graph clustering and community detection
聚类质量的最有用的度量之一是分区的模块性,它度量连接来自同一聚类的顶点的边的数量与随机(非结构化)图中此类边的预期数量之间的差异。在本文中,我们表明,寻找一个分区最大化给定的图G的模块度的问题可以归结为一个最小加权割问题上的一个完全图与G的顶点相同。然后,我们表明,所产生的最小割问题可以有效地解决与现有的软件图分区,我们的算法发现聚类的质量更好,速度更快,比现有的聚类算法。
2007-07-16 physics.data-an physics.soc-ph
Modularity and the spread of perturbations in complex dynamical systems
我们提出了一种方法来分解动力系统的基础上的想法,模块约束扰动的传播。我们发现分区的系统变量,最大限度地提高“扰动模块”,定义为粗粒度的扰动轨迹的自协方差。该措施有效地分离了快速的模块内部的扰动传播的缓慢的模块间动态(在这方面,它是一个泛化的“马尔可夫稳定性”的网络社区检测方法)。我们的方法捕捉模块化组织在不同的系统状态,时间尺度,并在响应不同类型的扰动的变化:模块化的各个方面都与现实世界的动态系统。它提供了一个原则性的替代方案,以检测系统变量之间的统计依赖关系网络中的社区(例如,“关联网络”或“功能网络”)。使用耦合逻辑地图,我们证明了该方法揭示了层次模块化组织种植在一个系统的耦合矩阵。此外,在耦合映射格子中,它确定了依赖于初始状态、动力学参数和扰动类型的自组织模块性的存在。我们的方法提供了一个强大的工具,探索复杂的动力系统的模块化组织。
2015-12-23 cs.SI nlin.AO physics.data-an
A Statistical Density-Based Analysis of Graph Clustering Algorithm Performance
测量图聚类质量仍然是一个开放的问题。为了解决这个问题,我们引入质量措施的基础上比较内和集群间的密度,一个伴随的统计检验的显着性差异和一步一步的例行聚类质量评估。我们的零假设不依赖于图的任何生成模型,这与使用配置模型作为零模型的模块化不同。与非常常用的模块化度量不同,我们的度量符合良好集群质量函数的公理。它们也有一个直观的图论解释,一个正式的统计解释,可以很容易地测试的意义。我们的工作集中在这样一个想法,即良好的聚类图将显示一个显着更大的簇内密度比簇间密度。我们开发测试来验证这种集群结构的存在。我们经验性地探索了我们的措施下的压力测试方案的行为,并比较他们的行为常用的模块化和电导措施。实证压力测试结果证实,我们的措施相比,非常有利的既定的。特别是,他们被证明是更敏感的图形结构和不太敏感的样本大小和故障在数值实现和不太敏感的连接的不确定性。这些特征在较大数据集的上下文中或当数据可能包含连接模式中的错误时尤其重要。
2020-03-18 cs.SI physics.soc-ph
Selecting representative community partitions under modularity degeneracy: the STAR method
University of Urbino(乌尔比诺大学);University of Turin(都灵大学)
STAR方法通过选择高模ularity解集中的代表性划分,解决模ularity退化问题,提供了一种简单且适用于多种网络类型的实用工具。
2026-02-25 econ.GN math.OC physics.soc-ph
Hierarchical clustering for graph visualization
本文描述了一种基于层次最大模块聚类的图形可视化方法,具有交互式和显着的粗化和细化的可能性。这种方法在古巴的艾滋病毒流行分析的应用进行了概述。
2012-10-21 cs.SI physics.soc-ph stat.AP
Modularity produces small-world networks with dynamical time-scale separation
在自然系统中,局部和全球动态的功能后果可能非常不同。许多这样的系统有一个网络描述,表现出强大的本地集群以及高通信效率,通常被称为小世界网络(SWN)。我们发现,在其他随机网络中的模块化组织一般会产生SWN,具有快速模块内和缓慢模块间过程之间的特征时间尺度分离。这种动力学特征的普遍性,区分模块化网络从早期的SWN模型,证明了不同的过程,如自旋排序,同步和扩散。
2009-04-07 cond-mat.dis-nn physics.bio-ph physics.soc-ph
Modularity functions maximization with nonnegative relaxation facilitates community detection in networks
在这里,我们表明,最大化一个家庭的定量功能,包括模块化(Q-措施)和模块密度(D-措施),社区检测的问题可以统一理解为一个组合优化涉及的矩阵称为模块化拉普拉斯算子的轨迹。我们在图聚类问题中引入了非负约束,并设计了有效的算法来优化新的目标,而不是使用传统的谱松弛算法。在明确的非负约束条件下,我们的解决方案非常接近理想的社区指标矩阵,并可以直接分配到社区的节点。解的近正交列可以重新表示为对应节点属于每个社区的后验概率。因此,所提出的方法可以用来识别模糊或重叠的社区,从而有利于理解网络的内在结构。实验结果表明,我们的新算法一致,有时显着,优于传统的谱松弛方法。
2011-08-30 cs.SI physics.soc-ph
A Method Based on Total Variation for Network Modularity Optimization using the MBO Scheme
网络结构的研究在社会学、生物学、计算机科学和许多其他学科中很普遍。网络科学最重要的领域之一是算法检测称为“社区”的节点的内聚组。一个流行的方法来寻找社区是最大化称为{ \em模块化}的质量函数,以实现某种最佳的节点集群。在本文中,我们从一个新的角度来解释模块化函数:我们重新制定模块化优化作为一个能量泛函,其中包括一个总的变化项和$\ell_2$平衡项的最小化问题。通过采用图像处理和$\ell_1$压缩感知的数值技术-如凸分裂和Merriman-Bence-Osher(MBO)计划-我们开发了一个变分算法的最小化问题。我们提出了我们的计算结果使用合成基准网络和真实数据。
2013-04-17 cs.SI math.OC physics.soc-ph
Network community detection and clustering with random walks
我们提出了一种新的方法来划分网络节点到不重叠的社区-揭示网络模块化和层次组织的关键一步。我们的方法,适用于网络的加权和未加权的对称边缘,使用随机游走,以探索在同一社区的相邻节点。步行似然算法(WLA)产生一个最佳的网络节点划分成一个给定数量的社区。步行似然社区发现者(WLCF)采用WLA来预测社区的最佳数量和相应的网络分区。我们对这两种算法进行了广泛的基准测试,发现它们在预测分区的模块化程度和社区之间的链接数量方面优于或匹配其他方法。利用我们的方法的计算效率,我们调查了科罗拉多州的道路和交叉口的大规模地图。我们的聚类在相邻社区之间产生了地理上合理的边界。
2022-02-22 physics.soc-ph q-bio.QM
Modular networks with hierarchical organization: The dynamical implications of complex structure
现实生活中出现的几个网络具有以分层方式排列的模块化结构。在本文中,我们提出了一个模型,这样的网络,使用随机生成方法。使用这个模型,我们表明,聚类和度的节点之间的缩放关系是不是一个必要的属性的层次模块化网络,如先前所建议的基础上的确定性构建的模型。我们还着眼于这样的网络上的动态,特别是网络动态和同步活动的网络中的平衡的稳定性。对于这两种情况,我们发现,增加模块化或层次的数量往往会增加不稳定的概率。由于层次结构和模块化都存在于自然系统中,这些系统必须对环境波动具有鲁棒性,因此我们得出结论,层次结构的出现需要额外的约束,类似于我们之前通过多约束优化实现的模块化。
2009-03-11 cond-mat.stat-mech physics.soc-ph
On the Complexity of Newman's Community Finding Approach for Biological and Social Networks
给定交互图,模块(也称为社区或集群)是节点的子集,其适应度是模块中节点的成对交互的统计显著性的函数。本文的主题是一个基于模型的社区发现方法,通常被称为模块化聚类,最初由纽曼提出,随后在实践中非常流行。目前,各种启发式方法被用来寻找最优解。然而,这种方法的精确计算复杂度在很大程度上仍然是未知的。为此,我们发起了一个系统的研究模块化聚类的计算复杂性。由于模块度函数具有特殊的二次性质,有必要分别研究其在稀疏图和稠密图上的取值。我们的主要结果包括稠密图的(1+ \eps)-不可逼近性和稀疏图的对数逼近。我们利用几个组合性质的模块得到这些结果。这些是第一个非平凡的逼近结果超出了以前已知的NP-硬度的结果。
2012-04-11 cs.CC cs.DM cs.SI
Formation of Modularity in a Model of Evolving Networks
模块化结构在各种社会和生物网络中很常见。然而,它的动力起源仍然是一个悬而未决的问题。在这项工作中,我们建立了一个动力学模型来描述社会网络的演化。基于对真实社交网络的观察,我们在模型中引入了一种根据局部动态的链接创建/删除策略。因此,动力学和拓扑结构的共同进化自然决定了网络的性质。研究发现,当耦合强度较小时,网络系统不能达到任何同步,网络拓扑结构是同构的。有趣的是,当耦合强度足够大时,网络系统自发地形成具有不同动力学状态的社区。同时,网络拓扑结构变得异构,采用模块化结构。进一步证明了在一定的参数范围内,所形成的网络的度和社区规模都服从幂律分布,并且网络是连续的。这些结果与许多经验网络的特征相一致,有助于理解复杂网络中模块性的形成机制。
2011-08-18 cs.SI nlin.AO physics.soc-ph
Robustness modularity in complex networks
Indiana University Network Science Institute(印第安纳大学网络科学研究所);King Abdulaziz University(阿卜杜勒阿齐兹国王大学);Luddy School of Informatics, Computing and Engineering, Indiana University(印第安纳大学拉迪信息学、计算与工程学院)
网络社区检测中的一个基本问题是给定网络的模块化程度如何。这通常通过评估网络中检测到的分区的质量来解决。Girvan-Newman(GN)模块化函数是进行此评估的标准方法,但它有许多缺点。最重要的是,它是不清楚的解释,因为该措施可以采取相对较大的值的随机网络分区没有社区。在这里,我们提出了一个新的措施的基础上的鲁棒性的概念:模块性是概率找到平凡的分区时,网络的结构是随机扰动。这个概念可以实现任何聚类算法能够告诉当一个组结构是不存在的。对人工图和真实图的测试表明,鲁棒性模块化可以用来评估和比较不同网络的社区结构的强度。我们还介绍了其他两个质量函数:模块差异,一个适当的归一化版本的GN模块;信息模块,基于信息压缩的距离度量。这两种措施都与鲁棒性模块化密切相关,也是有前途的选择。
2021-10-05 cs.LG cs.SI physics.data-an
On the influence of topological characteristics on robustness of complex networks
在本文中,我们探讨了复杂网络的拓扑特征和它的鲁棒性持续有针对性的攻击之间的关系。使用合成的无标度,小世界和随机网络,我们研究了一些网络度量,包括网络的非线性,模块化,平均路径长度,聚类系数,丰富的俱乐部配置文件和无标度指数(适用时),以及这些指标如何影响网络在有针对性攻击下的鲁棒性。我们使用一个建立的鲁棒性系数来衡量拓扑鲁棒性,并考虑持续的有针对性的攻击,节点度的顺序。对于无标度网络,我们发现,无标度性,模块化和平均路径长度与网络的鲁棒性呈正相关,而聚类系数呈负相关。我们没有发现无标度指数和鲁棒性之间的任何相关性,或丰富的俱乐部配置文件和鲁棒性。而小世界网络的鲁棒性则与网络的重复性、模块性、聚类系数和平均路径长度呈显著正相关。相比之下,Erdos-Renyi随机网络的鲁棒性与所考虑的任何网络属性都没有任何显着的相关性。一个重要的观察结果是,高聚类降低了无标度网络的拓扑鲁棒性,但它增加了小世界网络的拓扑鲁棒性。我们的研究结果突出了拓扑特征在影响网络鲁棒性方面的重要性,并说明了网络设计人员可以使用的设计策略,以提高无标度和小世界网络在持续有针对性攻击下的鲁棒性。
2014-02-26 cs.SI nlin.AO physics.soc-ph
A unified approach to mapping and clustering of bibliometric networks
在文献计量学网络分析中,研究者经常将映射和聚类技术结合起来使用。然而,通常情况下,一起使用的映射和聚类技术依赖于非常不同的想法和假设。我们提出了一个统一的方法来映射和聚类的文献计量网络。我们表明,VOS映射技术和基于模块化的聚类的加权和参数化的变体都可以从相同的基本原则。我们说明了我们提出的方法,产生一个组合的映射和聚类的最常被引用的出版物,出现在信息科学领域在1999-2008年期间。
2010-06-05 cs.DL physics.data-an physics.soc-ph
Network clustering and community detection using modulus of families of loops
我们研究的结构,在网络中的循环使用的概念,模的循环家庭。我们引入了一个新的网络聚类措施,通过量化(简单)循环的家庭的丰富性。Modulus试图通过最佳地扩展预期的链路使用来最小化环路之间的预期重叠。我们提出加权网络使用这些预期的链接使用,以改善经典的社区发现算法。我们表明,所提出的方法提高了某些算法的性能,如频谱划分和模块化最大化算法,在标准的基准测试。
2016-12-26 cs.SI physics.soc-ph
An ensemble based on a bi-objective evolutionary spectral algorithm for graph clustering
Instituto de Ciência e Tecnologia, Universidade Federal de São Paulo(圣保罗联邦大学科学与技术学院)
图聚类是一个具有挑战性的模式识别问题,其目标是识别具有高组内连通性的顶点划分。本文研究了一个双目标问题,即最大化一个图的簇内边数和最小化一个具有与原始图相同度序列的随机图的期望簇间边数。这两个研究目标之间的区别是图聚类质量的著名度量的定义:模块化。我们引入了一个频谱分解杂交进化的启发式,称为MOSpecG,接近这个双目标的问题和集成策略,巩固MOSpecG到一个最终的强大的分区的解决方案。真实和人工LFR网络的计算实验的结果表明,所介绍的方法的结果和性能的显着改善,在文献中发现的另一个双目标算法。基于模块化最大化问题的几何解释的交叉算子匹配一对个体的社区对于MOSpecG的良好性能至关重要。混合谱图理论和智能系统使我们能够定义显着高质量的社区结构。
2019-09-08 cs.LG cs.NE cs.SI
Complex networks with scale-free nature and hierarchical modularity
从生物学、技术和社会科学等不同领域的研究中,产生网络系统结构的生成机制是复杂网络研究的一个重要组成部分。生物细胞、人类社会和万维网等网络系统的结构与完全随机网络的结构有明显的差异,表明存在潜在的过程。通常,它们的演变中涉及的主要过程是在具有共同邻居的现有节点之间添加链路。在这种情况下,我们介绍了一个重要的属性的节点,我们称之为调解能力,这是通用的许多网络。这种能力随着程度的增加而迅速下降,使枢纽成为该过程的弱中介。我们发现,这种属性的节点提供了一个解释同时发生的观察到的无标度结构和层次模块化在许多网络系统。这也解释了真实网络中的高聚类和小路径长度以及非零度相关性。我们的研究还提供了深入了解本地的过程,最终导致出现的优先连接,因此也是重要的,在理解鲁棒性和控制的真实网络,以及过程中发生的真实网络。
2015-12-02 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Student similarity network clustering -- Does the time it takes for an answer to be selected follow a power-law?
本文利用问答数据构建学生相似度网络,比较两种相似度函数(假设与不假设响应时间幂律分布)对社区发现聚类结果模块度的影响。
2023-12-23 cs.SI physics.soc-ph
Multi-scale Modularity in Complex Networks
我们专注于多尺度网络中的社区检测,即由不同层次的组织和模块存在于不同尺度的网络。它首先表明,基于模块化的方法是不合适的,以发现经验网络中的模块,主要是因为模块化优化有一个固有的偏见对分区具有特征数量的模块,这可能是不兼容的模块化组织的系统。我们主张使用更灵活的质量函数,将分辨率参数,使我们能够揭示系统的自然尺度。不同类型的多分辨率质量函数的描述和统一的划分问题,从动态的观点。最后,通过使用未覆盖分区的鲁棒性的补充措施来选择分辨率参数的重要值。该方法说明了一个基准和经验网络。
2010-04-24 cond-mat.stat-mech nlin.AO physics.data-an
Analysis of Network Clustering Algorithms and Cluster Quality Metrics at Scale
社区质量的概念是网络聚类的基础。虽然围绕网络聚类的研究越来越普遍,但对不同聚类质量度量之间的关系的精确理解是未知的。在本文中,我们研究独立的集群质量指标和信息恢复指标之间的关系,通过严格的分析四个广泛使用的网络聚类算法- Louvain,Infomap,标签传播,智能本地移动。我们认为独立的模块化,电导和覆盖率的质量指标,我们认为调整后的兰德分数,归一化互信息,并在以前的工作中使用的归一化互信息的变体的信息恢复指标。我们的研究包括合成图和经验数据集的大小从1,000到100万个节点。我们发现不同的聚类质量度量的结果之间的显着差异。例如,聚类算法可以在模块化上返回0.4(满分为1),但在信息恢复上返回0(满分为1)。我们发现电导,虽然不完美,是独立的质量指标,最好的信息恢复指标的性能。我们的研究表明,在以前的工作中使用的归一化互信息的变体不能被假定为仅略有不同,从传统的归一化互信息。智能局部移动是我们研究中性能最好的算法,但聚类评估指标之间的差异使我们无法宣布它绝对优越。在我们的研究中,Louvain在几乎所有测试中的表现都优于Infomap,这与之前Infomap优于Louvain的研究结果相矛盾。我们发现,虽然标签传播表现不佳时,集群不太清楚地定义,它的规模有效,准确地大型图形与定义良好的集群。
2016-08-03 cs.SI physics.soc-ph
Optimized network clustering by jumping sub-optimal dendrograms
我们提出了一种方法,以改善社区划分技术的网络,是基于凝聚通过引入树状图跳跃。该方法是基于次优树状图的迭代,而不是每个凝聚步骤的优化。我们发现该算法表现出良好的缩放行为的计算复杂性。在其当前形式中,算法按$\mathcal{O} (N^{2})$缩放,但是通过使用更有效的数据结构,可以实现$\mathcal{O} (N \log^{2} N)$的缩放。我们比较我们的结果与其他方法,如贪婪算法和极值优化方法。我们发现模块化值大于贪婪算法和值相媲美的极值优化方法。
2009-07-02 physics.soc-ph
Adaptive cut reveals multiscale complexity in networks
Technical University of Denmark(丹麦技术大学);University of Copenhagen(哥本哈根大学);University of Virginia(弗吉尼亚大学)
本文提出自适应切割方法,通过多级切割优化目标函数,提升网络聚类效果,适用于多种层次聚类任务。
2026-10-22 physics.soc-ph
Fast Complex Network Clustering Algorithm Using Agents
近年来,网络规模越来越大,呈现出分布式的特点.针对这类网络分簇问题,从局部角度出发,提出了一种快速网络分簇算法,该算法将每个节点视为一个Agent,每个Agent都试图最大化其局部函数,以优化由函数Q定义的网络模块度,而不是像传统方法那样从全局角度优化函数Q。该算法的效率和有效性进行了测试,对计算机生成的和真实世界的网络。实验结果表明,该算法不仅具有聚类大规模网络的能力,而且与现有算法相比,能够获得很好的聚类质量。并对该算法的参数进行了分析。
2013-03-24 cs.SI physics.soc-ph
A new nature inspired modularity function adapted for unsupervised learning involving spatially embedded networks: A comparative analysis
Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校);Washington University in Saint Louis(圣路易斯华盛顿大学)
无监督机器学习方法在许多传统的工程学科中可以提供很大的帮助,在这些学科中,大量的标记数据不容易获得,或者生成起来非常困难或成本高昂。两个具体的例子包括粒状材料的结构和金属玻璃的原子结构。虽然前者对数千亿美元的全球产业至关重要,但后者仍然是基础科学中的一个大难题。这两个例子中有一个共同点,即粒子是嵌入在欧几里得空间中的集合的元素,人们可以创建一个空间嵌入网络来表示它们的关键特征。最近的一些研究表明,聚类,一般指的是无监督学习,在划分这些网络方面有很大的希望。在许多复杂网络中,节点的空间信息在决定网络性质方面起着非常重要的作用。因此,了解这种网络的结构是非常重要的。我们已经比较了我们新开发的模块化功能与一些著名的模块化功能的性能。我们通过在2D和3D颗粒组装中找到最佳分区来进行这种比较。我们表明,在这篇文章中考虑的网络类,我们的方法产生更好的结果比竞争的方法。
2020-07-18 cs.LG physics.soc-ph stat.ML
Intra-community link formation and modularity in ultracold growing hyperbolic networks
本研究针对温度为0的Popularity Similarity Optimization双曲网络模型,推导等大小角扇区划分的期望模块度解析表达式,大幅提升了估计精度,深化了对双曲网络模块形成机制的理解。
2024-01-31 physics.data-an physics.soc-ph
Distress propagation on production networks: Coarse-graining and modularity of linkages
灾难传播发生在连通的网络中,其速度和程度取决于网络拓扑结构。为了研究这一点,我们选择经济生产网络作为一个范式。可以在许多层面上审查经济网络:个体行为者之间的联系(微观)、公司/部门之间的联系(中观)或国家之间的联系(宏观)。新涌现的动力学性质出现在每一个层次上,因此粒度很重要。对于病毒性流行病,即使是单个节点也可能成为痛苦的中心,并可能影响整个网络。然而,众所周知,经济网络在微观层面上不受影响,在中观/宏观层面上更容易失败。我们提出了一个动态的相互作用模型来描述的机制,遇险传播,在不同的震中发起的网络的不同模块。易受攻击的模块通常会导致很大程度的不稳定。我们证明了我们的方法,使用一个独特的经验数据集的投入产出联系在0.14万企业在一个行政状态的印度,发展中经济体。该网络具有多个轴辐结构,表现出适度的离散性,这与粗粒化的水平。新颖之处在于在不同层次的粒度或模块化的生产网络的特点,并找到“太大而不能失败”的模块取代“太中央而不能失败”的模块在遇险传播。
2020-04-29 econ.GN physics.soc-ph q-fin.EC
Improved spectral algorithm for the detection of network communities
我们回顾并改进了最近提出的复杂网络社区检测方法。该方法结合了一些矩阵的频谱特性编码的网络拓扑结构,与众所周知的层次聚类技术,并使用模块化参数来量化任何可能的社区细分的好处。这为复杂系统中社团结构的检测提供了一种最好的方法。
2005-04-08 cond-mat.stat-mech physics.soc-ph
Degree-corrected distribution-free model for community detection in weighted networks
针对加权社交网络,提出融合节点度异质性的度校正无分布社区检测模型,配套谱聚类算法、一致性理论与广义模块度,实验证明其显著优于未校正方法。
2024-04-05 cs.SI physics.data-an physics.soc-ph
Modularity of Directed Networks: Cycle Decomposition Approach
近年来,将网络分解为模块(或集群)的问题得到了广泛的关注,因为它可以对复杂系统进行粗粒度描述,经常揭示这些系统的功能子单元。已经提出了各种模块检测算法,主要面向寻找无向网络的硬划分。尽管有向网络的模糊聚类方法越来越多,这些方法往往忽略了重要的方向信息。在本文中,我们提出了一种新的随机游走为基础的方法来寻找模糊分区的有向加权网络,其中边缘方向起着至关重要的作用,在定义如何以及节点在一个模块中互连。我们将证明,循环分解的随机游走过程连接网络模块的概念和网络中的信息传输,导致一个新的,对称的节点通信措施。步行过程,我们将证明,虽然是时间可逆的,但它继承了原始网络的方向和模块结构的所有必要信息。最后,我们将使用这个措施,介绍一个通信图,我们将表明,虽然是无向的,它继承了所有必要的信息,从原来的网络模块化结构。
2014-07-31 cs.SI math-ph math.MP
Community Structure aware Embedding of Nodes in a Network
检测社区或现实生活网络(例如社交网络或产品购买网络)的模块化结构是一项重要任务,因为网络的功能通常由其社区决定。社区发现的传统方法涉及基于模块的算法,一般来说,基于寻求最大化分区内的边缘与它们之间的边缘的比率的算法来构造分区。另一方面,节点嵌入方法将图中的每个节点表示为实值向量,从而能够将图中的社区发现问题转化为对一组向量进行聚类的问题。现有的节点嵌入方法主要基于,首先,从每个节点发起随机游走以构造节点的上下文,然后使节点的向量表示接近其上下文。然而,标准的节点嵌入方法在构建每个节点周围的上下文时并不直接考虑网络的社区结构。为了缓解这种情况,我们探索了两个不同的工作线程。首先,我们研究了使用基于最大熵的随机游走来获得更多的中心保持嵌入的节点,这可能会导致更有效的集群在嵌入空间。其次,我们提出了一个社区结构感知的节点嵌入方法,我们将基于模块化的分区算法到节点嵌入的目标函数。我们证明,我们提出的组合和嵌入方法的组合,用于社区发现优于一些基于模块的基线和K-均值聚类的标准节点嵌入(node 2 vec)向量空间上广泛的现实生活和合成网络的不同大小和密度。
2020-06-27 cs.SI physics.soc-ph
The role of modularity in self-organisation dynamics in biological networks
相互连接的生物体集合体可能是现代科学迄今遇到的最复杂的复杂系统之一。特别是,科学家们专注于了解不同神经元,蛋白质或物种之间相互作用结构的复杂性如何影响其各自系统的功能。众所周知,许多生物网络都是以高度层次化的方式构建的,具有两个主要特性:连接两个明显遥远的节点(神经元、物种或蛋白质斑块)的平均路径较短,以及模块化聚合中节点的比例较高。尽管到目前为止已经提出了几个假说,仍然知之甚少的模块与动力学活动在这样的生物系统。在这里,我们表明,网络模块化的功能活动的自组织模式的形成是一个关键因素,独立的拓扑结构的模块的特点。特别是,我们提出了一个自组织机制,解释了宏观空间格局的形成,这是均匀的模块内。这可以解释生物网络中的自发秩序如何遵循其模块结构组织。我们在真实世界的网络上测试我们的结果,以确认模块化在创建宏观尺度模式中的重要作用。
2020-10-14 nlin.AO nlin.PS physics.soc-ph
Topological Measure Locating the Effective Crossover between Segregation and Integration in a Modular Network
我们引入了一个易于计算的拓扑测度,它可以定位模块化网络中隔离和集成之间的有效交叉。隔离度对应于网络的模块化程度,而集成度则用关联超图的代数连通度来表示。严格的治疗简化的情况下,集团的大小相等,逐渐重新布线,直到他们成为完全合并,使我们能够表明,这种拓扑交叉可以符合动态交叉从集群到全球同步的系统耦合相位振荡器。动态交叉信号的峰值内集群和全球同步的措施,我们建议作为一个动态的复杂性措施的产品。这个量比熵(振荡器的平均频率)更容易计算,并且显示出一种行为,它非常模仿基于后者的动力学复杂性指数。所提出的拓扑测量同时提供了动态行为的信息,揭示了模块化与总集成之间的相互作用,并显示了这如何影响网络执行本地和分布式动态任务的能力。
2012-06-15 cond-mat.stat-mech nlin.AO physics.bio-ph
A new hierarchical clustering algorithm to identify non-overlapping like-minded communities
如果网络中的节点可以被划分成不相交的集合,使得集合中的每个节点与集合内的其他节点紧密连接,与集合外的节点稀疏连接,则网络具有非重叠社区结构。有许多指标可以验证这种结构的有效性,如聚类系数,介数,中心性,模块性和相似性。已经提出了许多方法来优化这些指标中的一些,但没有一个在最近引入的度量相似性上效果很好。为了解决这个问题,我们提出了一种基于行为属性的算法来识别优化志同道合度量的社区,并将其性能与其他基于行为数据的方法以及仅依赖于结构数据的社区发现方法进行比较。我们在Filmtipset和Twitter的真实数据集上执行这些算法,并表明我们的算法在志同道合度量方面比现有算法表现得更好。
2016-02-24 cs.SI physics.soc-ph
Communities recognition in the Chesapeake Bay ecosystem by dynamical clustering algorithms based on different oscillators systems
最近,我们介绍了一种有效的方法,用于检测和识别复杂网络中的模块,基于相位振荡器的去同步特性(动态聚类)。在本文中,我们应用动态聚类技术,以确定生活在切萨皮克湾食物网〈动〉<动>的海洋生物群落。我们表明,我们的算法是能够执行一个非常可靠的分类的真实社区存在于这个生态系统中,通过使用不同种类的动态振荡器。我们还比较了我们的结果与其他方法在复杂网络中的社区结构的检测。
2008-07-03 cond-mat.stat-mech physics.bio-ph physics.soc-ph
Visual Mining of Epidemic Networks
我们展示了如何交互式图形可视化方法的基础上,最大模块聚类可以用来探索一个大型的流行病网络。视觉表示用于显示统计测试结果,这些结果揭示了艾滋病毒在性接触网络中的传播与患者的性取向之间的关系。
2012-10-21 cs.SI physics.soc-ph stat.AP
Mixing local and global information for community detection in large networks
大型复杂网络的聚类问题在从生物学到社会学和计算机科学等多个科学领域中起着关键作用。许多聚类复杂网络的方法都是基于最大化网络模块度函数的思想。其中一些方法可以归类为全局方法,因为它们利用有关整个网络拓扑的知识来查找集群。相反,其他方法可以被解释为本地的,因为它们只需要网络拓扑的部分知识,例如,顶点的邻居。全球的方法是能够实现高价值的模块化,但他们没有规模以及大型网络,因此,他们不能应用于分析在线社交网络,如Facebook或YouTube。相比之下,本地方法速度快,可以扩展到大型的真实网络,但代价是结果比本地方法差。在这篇文章中,我们提出了一个glocal方法来最大化模块化,即,我们的方法使用全局级的信息,但其在大型网络上的可扩展性与局部方法相当。所提出的方法被称为复杂网络集群检测(或简称为结论)。它分为两个阶段:在第一阶段中,它使用基于有限长度的随机和非回溯行走的信息传播模型来计算每个边缘在保持网络连接中的重要性(称为边缘中心性)。然后,使用边中心性将网络顶点映射到欧氏空间的点上,并计算所有连接顶点对之间的距离。在第二阶段,CONCLUDE使用第一阶段计算的距离将网络划分为聚类。结论是计算效率高,因为在平均情况下,它的成本是大致线性的网络的边缘数量。
2013-10-16 cs.SI physics.soc-ph
Generalised network clustering and its dynamical implications
一个参数化的广义网络聚类,在四个主题的流行的形式,提出。这涉及到三个真正的参数,是有条件的一个,两个和三个主题的流行。这些真正的参数的解释,激励一组重新布线方案,以创建适当的集群网络。最后,高阶结构的动力学影响,作为参数化,接触过程被认为是。
2010-06-23 physics.soc-ph q-bio.PE
Online Community Detection by Using Nearest Hubs
社区和聚类检测是社会网络分析的一个热门领域。大多数算法关注静态图或一系列快照。在本文中,我们提出了一个算法,发现社区的动态图。该方法是基于最短路径的高连接节点,所谓的枢纽。由于本地消息传递,我们可以更新聚类结果与低计算能力。在静态社交网络上,将该算法与其他算法进行了比较.所达到的模块性不如Louvain方法,但甚至高于谱聚类。对于具有给定基础事实的大规模真实世界数据集,我们可以重建大多数给定的社区结构。该算法的优点是在动态场景下具有良好的性能。
2016-01-25 cs.SI physics.soc-ph
MCMC Louvain for Online Community Detection
我们介绍了一种新的算法的社区发现,动态维护社区结构的大型网络,随着时间的推移。该算法最大限度地提高了模块化指数由于一个随机层次聚类的基础上的蒙特卡罗马尔可夫链(MCMC)方法的建设。有趣的是,它可以被视为Louvain算法的动态化(参见Blondel et Al,2008),其中聚合步骤被分层工具概率取代。
2016-12-05 cs.SI physics.soc-ph stat.ML
Antagonistic Structural Patterns in Complex Networks
识别和解释不同尺度下的复杂网络结构已成为跨学科的重要问题。在中尺度上,模块化架构吸引了大多数的注意力。在宏观层面,其他安排-例如嵌套或核心-也得到了平行研究,但程度要小得多。然而,越来越多的经验证据表明,用独特的模式类型来描述网络可能过于简单化,因为系统可以整合来自不同规模的不同组织的属性。在这里,我们探讨了其中一些组织模式之间的关系:两个在中尺度(模块化和块内嵌套);和一个在宏观尺度(嵌套)。我们分析表明,嵌套可以用来提供近似的界限模块化,在理想化的情况下,准确的结果。具体来说,我们表明,嵌套和模块化是对立的。此外,我们表明,块内嵌套提供了一个简约的嵌套和模块化网络之间的过渡,两者的属性。远不是一个纯粹的理论练习,理解区分每个架构的边界是根本的,在某种程度上,模块化和嵌套是已知的几个动态过程的稳定性,特别是在生态学的严重限制。
2018-11-08 cs.SI physics.soc-ph