多层网络一致社区检测的谱和矩阵分解方法
该论文提出了一种基于规范化拉普拉斯矩阵的正交对称非负矩阵三因式分解的方法,用于在复杂网络中进行社区检测,在包括稀疏和高度异质性的图中均表现良好,并且比现有技术表现更优。
May, 2016
本文研究在通用随机块模型下的实际网络社区层次结构,使用基于非标准化图拉普拉斯矩阵的菲德勒向量的标准递归双分割算法,并在广泛的模型参数范围内证明了该方法的强一致性,包括节点度数 $O (log n)$ 的稀疏网络和连接概率相差几个数量级的多尺度网络。此外,论文通过对合成数据和现实世界例子的演示,展示了算法的性能问题。
Apr, 2020
研究了随机块模型中谱聚类在社区提取中的性能表现,并表明在最大期望度数的阶数为 $log~n$ 时,谱聚类应用于网络的邻接矩阵时,即使度数很小,也可以一致地恢复出隐藏的社区。
Dec, 2013
本文提出一种新的数据驱动正则化方法来解决稀疏网络中恢复邻接矩阵集中性的问题,进而探讨了一种新的谱截断方法对一般 SBM 中的分类错误率的影响,并在模型的一些扩展,包括不均匀随机图模型和二元聚类问题中得到更优性能的证明。
Mar, 2018
研究随机图中将顶点划分为块的谱技术,通过修改邻接谱分区算法,只需估计通信概率矩阵的秩上限,从而在模型错配的情况下实现一致性,也适用于具有多种模态的邻接表以及有向或无向的图。
May, 2012
该研究旨在提出一种更高效的基于谱的算法来实现网络社区的检测和划分,该算法基于调整后的模块度矩阵与特征向量,能够将网络分成任意数量的社区。经过实现和测试,该算法在分割不平衡的网络时表现明显优于之前的算法。
Jun, 2015
本文介绍了一种用于网络分析中的重叠社区检测的生成模型,结合了 K - 中位数算法和谱聚类算法,且在网络不太稀疏、社区重叠不太大的情况下具有一致性,模拟和真实社交网络实验结果表明我们的方法表现优于传统方法。
Dec, 2014