Community Detection in Complex Networks Using Genetic Algorithms
社区发现是复杂网络中的一个重要研究课题。提出了一种基于优化网络模块度的遗传算法来检测复杂网络中的社区。它不需要任何关于社区数量的先验知识。它的性能进行了测试，在两个现实生活中的网络与已知的社区结构和一组合成网络。作为性能度量，使用信息的信息理论度量变化。结果是有希望的，在某些情况下比以前报道的研究更好。
2007-11-04 physics.soc-ph
Preferential placement for community structure formation
近年来，人们提出了各种模型来反映和预测复杂网络的不同性质。然而，社区结构，这是最重要的属性之一，没有得到很好的研究和建模。在本文中，我们提出了一个原则，称为“优先放置”，它允许模拟一个现实的集群结构。我们对所获得的结构进行了广泛的实证分析以及一些理论结果。
2019-02-03 cs.SI physics.soc-ph
Co-community Structure in Time-varying Networks
在这篇报告中，我们引入了时变网络中的共同体结构的概念。我们提出了一种新的优化算法来快速检测这些网络中的共同体结构。理论和数值实验结果表明，该方法不仅可以解决详细的共同体，而且可以有效地识别这些网络中的动力学现象。
2012-01-18 cond-mat.stat-mech cs.SI nlin.AO
An evolving network model with community structure
许多社会和生物网络都由社区组成，社区内的节点群连接密集，但节点群之间的连接稀疏。近年来，在现实世界的复杂网络中，社区结构检测算法的设计引起了人们极大的兴趣。在本文中，我们提出了一个进化的网络模型，展示社区结构。该网络模型基于社区内优先依附和社区间优先依附机制。基于平均场方法分析了该网络模型的度分布。理论结果和数值模拟表明，该网络模型具有社团结构和无标度特性。
2005-10-26 cond-mat.dis-nn physics.soc-ph
Thermodynamics of the Minimum Description Length on Community Detection
现代统计建模是对传统物理学方法的重要补充，传统物理学方法通过极其简单的理想化模型来研究复杂系统。最小描述长度（MDL）是一种将奥卡姆剃刀与信息论相结合的统计建模方法，用于选择提供最简洁描述的模型。在这项工作中，我们介绍了Boltzmannian MDL（BMDL），MDL的原理与参数的复杂性方便地制定为人工热力学系统的自由能的形式化。通过这种方式，我们充分利用统计力学丰富的理论和技术背景，从信息论的角度来看，相变和其他热力学概念对统计建模问题的至关重要性。例如，我们提供了信息理论的理由，为什么高温级数展开可以用来计算系统的近似的BMDL时，形式主义是用来建模数据，为什么统计上显着的模型选择可以确定有序的阶段时，BMDL是用来建模模型。为了测试所介绍的形式主义，我们计算BMDL的近似社区检测在复杂网络中的问题，在那里我们得到了一个原则性的MDL推导的Girvan-Newman（GN）模块和张-摩尔（ZM）社区检测方法。在这里，通过对合成网络和经验网络的分析估计和数值实验，我们发现基于BMDL的GN模块化校正项提高了检测到的社区的质量，我们还发现了一个信息论的理由，为什么ZM标准估计网络社区的数量比其他方法，如裸露的自由能最小化。
2018-06-19 cond-mat.dis-nn cs.SI physics.data-an
Consistency of community structure in complex networks
网络中最广泛使用的社区发现技术，包括基于模块化、统计推断和信息论论证的方法，都是通过优化衡量网络分区质量的目标函数来工作的。然而，有一个很好的理由可以证明，在这样一个目标函数下，人们不应该只看单一的最佳社区结构，而应该选择得分高的结构。如果这样做，人们通常会发现所得的结构显示出相当大的变化，这已经被认为是这些社区发现方法不可靠的证据，因为它们似乎不能给出一致的答案。在这里，我们认为，经过仔细检查，发现的结构实际上是一致的，在某种程度上。具体来说，我们表明，他们都可以组装从一组底层的“积木”，组的网络节点，通常被发现在同一个社区。不同的群落结构对应于不同的区块排列，但区块本身在很大程度上是不变的。我们提出了一个信息理论的方法，发现在特定的网络中的构建块，并证明了它与几个示例应用程序。我们的结论是，传统的社区发现并不像有些人认为的那样失败，事实上，它对网络结构提供了大量的洞察力，尽管可能并不完全像以前想象的那样。
2019-08-26 cs.SI physics.soc-ph
Statistical test for detecting community structure in real-valued edge-weighted graphs
提出了一种新的方法来检验无向实值边赋权图的社团结构的存在性。该方法是基于实对称矩阵特征值的广义过程的Wigner半圆律。我们为这种方法提供了理论基础，并报告了其在合成和真实数据中的性能，表明我们的方法优于其他最先进的方法。
2016-10-13 cs.SI math.ST physics.soc-ph
Finding Community Structure with Performance Guarantees in Complex Networks
许多网络，包括社交网络，计算机网络，和生物网络被发现自然地划分成密集连接的个体的社区。社区结构的发现是网络科学的基本问题之一。自从Newman建议使用\emph{modularity}作为衡量社区结构优劣的一个标准以来，许多有效的方法被提出来最大化模块化，但没有最优性的保证。在本文中，我们提出了两个多项式时间算法的模块化最大化问题的理论性能保证。第一个算法带有一个\emph{priori guarantee}，当网络具有幂律度分布时，所发现的社区结构的模块度在最优模块度的一个常数因子内。尽管主要是理论上的兴趣，据我们所知，这是第一个近似算法寻找社区结构的网络。在我们的第二个算法中，我们提出了一个\emph{sparse metric}，一个大大加快的线性规划方法，最大限度地提高模块化和应用舍入技术的基础上，这个稀疏度量与\emph{posteriori approximation guarantee}。我们的实验表明，舍入算法在大多数情况下返回的最优解，是非常可扩展的，也就是说，它可以运行在一个网络上的几千个节点，而在文献中的LP解决方案只能运行在一个网络上的最多235个节点。
2011-08-19 cs.DS cs.SI physics.soc-ph
DyPerm: Maximizing Permanence for Dynamic Community Detection
在本文中，我们提出了DyPerm，第一个动态的社区发现方法，优化了一种新的社区评分指标，称为持久性。DyPerm通过更新那些已经执行节点和边编辑的社区来逐步修改社区结构，保持网络的其余部分不变。我们提出了强有力的理论保证，以显示如何/为什么仅仅更新现有的社区结构导致持久性最大化的动态网络，这反过来又大大降低了计算复杂性。在给定真实社区结构的合成网络和六个真实网络上的实验表明，与四种基线方法中的最佳方法相比，DyPerm的准确性（基于NMI）平均提高了35%。DyPerm的速度也比静态的快15倍。
2018-02-13 cs.SI physics.soc-ph
Community structure and scale-free collections of Erdös-Rényi graphs
社区结构在社交网络和类似图的分析中起着重要的作用，但这种结构很少被理解，大多数模型都没有很好地捕捉到。我们正式定义一个社区是一个内部高度连接的子图，没有更深的子结构。我们使用组合学的工具，以表明任何这样的社区必须包含一个密集的Erdös-Rényi（ER）子图。基于数学论证，我们假设任何具有重尾度分布和社区结构的图都必须包含一个稠密ER子图的无标度集合。这些理论上的观察与经验上的证据相吻合。由此，我们提出了块两级Erdös-Rényi（BTER）模型，并证明它准确地捕捉到许多现实世界的社交网络的可观察属性。
2011-12-15 cs.SI physics.soc-ph
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
Opinion diversity and community formation in adaptive networks
研究网络结构如何与观点共同进化是一件有趣而又重要的事情。这种共同进化的现有模型通常会导致最终状态，其中网络节点要么达成全局共识，要么分裂成独立的社区，每个社区都拥有自己的社区共识。然而，这样的结果很难解释现实生活中的丰富观察，即意见总是多样化的，没有全球甚至社区共识，人们很少，如果不是从来没有，完全切断自己与持不同意见者的联系。在这篇文章中，我们表明，一个简单的模型集成共识形成，链接重新布线和意见改变允许复杂系统动力学出现，驱动系统进入一个动态平衡与共存的多样化的意见。具体而言，类似的意见持有者可能形成社区，但没有严格的社区共识;不同的社区仍然通过非平凡的社区间联系而相互联系，而不是被分离成不相连的社区。更重要的是，我们表明，复杂的动态可能会导致不同数量的社区在稳定状态与不同的意见持有人之间的给定的宽容。我们构建了一个框架，从理论上分析的协同进化过程。理论分析和大量的仿真结果揭示了复杂的协同进化过程，包括动态平衡的形成，不同社区数下不同稳态之间的相变，以及意见分布与网络模块性之间的动态关系等。
2017-05-12 cs.SI physics.soc-ph
Versatility of nodal affiliation to communities
网络社区结构的图论分析试图识别每个节点所属的社区（或模块）。然而，在大多数情况下，这是一个不适定的问题，因为一个节点到一个社区的从属关系往往是模糊的。以前的解决方案试图识别每个节点所属的所有社区。我们没有采用这种方法，而是引入了多功能性$V$作为节点隶属关系的新指标：$V \sim 0$意味着节点被一致地分配给特定社区; $V \gg 0$意味着它被不一致地分配给不同的社区。多功能性与现有的社区检测算法结合使用，它满足了理想化网络中许多理论上理想的属性，这些理想化网络旨在最大限度地提高模块分解的模糊性。全局平均通用性的局部最小值确定了分层社区检测算法的分辨率参数，该算法最不含糊地分解了社交（空手道俱乐部）网络和小鼠大脑连接体的社区结构。我们的研究结果表明，节点的多功能性是有用的量化模块化分解的固有的模糊性。
2017-01-03 cs.SI physics.soc-ph q-bio.QM
A Game-Theoretic Approach for Detection of Overlapping Communities in Dynamic Complex Networks
复杂网络往往会显示社区，这些社区是一个组中相互紧密连接的节点组，并且与网络的其余部分稀疏连接。检测这样的社区是一个重要的计算问题，因为它提供了一个洞察网络的功能。此外，在动态网络中调查社区结构，其中网络受到变化的影响，更具挑战性。本文提出了一种博弈论技术，用于检测动态和静态复杂网络中的社区结构。在我们的方法中，每个节点都扮演一个玩家的角色，试图通过加入一个或多个社区或在社区之间切换来获得更高的回报。游戏的目标是通过在这些参与者之间找到纳什均衡点来揭示这些参与者形成的社区结构。据我们所知，这是第一个能够从静态或动态网络中提取重叠社区的博弈论算法。我们提出的实验结果说明了所提出的方法在合成和真实世界的网络上的有效性。
2016-07-29 cs.CC cs.DS cs.GT
