Jan, 2019

CommunityGAN：使用生成对抗网络进行社区检测

PDF
TL;DR本文提出了 CommunityGAN，一个新的社区检测框架，旨在共同解决重叠社区检测和图形表示学习问题，通过采用生成对抗网络（GAN）来优化这种嵌入，实现对顶点到社区的归属强度的量化和最终的社区结构输出。实验证明，CommunityGAN 取得了显著的社区检测性能提升。
发现论文，激发创造
  • 基于图神经网络的重叠社区发现

    本研究提出了一种基于图神经网络的模型，用于检测重叠社区，相对于现有的基线方法，我们的模型表现更为出色。此外，我们的实验表明，该模型具有有效性、可扩展性和对超参数设置的鲁棒性，并且图神经网络是该模型的关键因素。

    Sep, 2019

  • GraphGAN: 生成对抗网络用于图形表示学习

    该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

    Nov, 2017

  • 基于深度学习的社区发现综述

    本文对近年来深度学习在社区检测领域的最新进展进行了全面概述，提出了包括深度神经网络、深度非负矩阵分解和深度稀疏滤波在内的多种先进方法，总结了常用的基准数据集和评估指标，并讨论了社区检测在不同领域的实际应用和实现场景，并提出了未来的研究方向。

    May, 2021

  • VGAER: 基于图神经网络重构的社区发现

    本文提出了一种基于变分图自编码器重构的社区检测方法 VGAER，通过融合高阶模块化信息与网络特征，不需要任何先验信息，设计了对应的输入特征、解码器和下游任务，并在广泛数据集和先进方法的一系列实验中取得了卓越的性能和竞争力。该方法具有更简单的设计，并展现了强大的网络模块化能力。

    Jan, 2022

  • 社区检测方法综述：从统计建模到深度学习

    本文提出了一种网络社区发现方法的统一架构，对现有的社区检测方法进行了全面的综述，并将现有的方法分为两类：概率图模型和深度学习。作者还释放了几个基准数据集，并概述了这些数据集的应用。该研究为进一步研究这一领域的挑战和未来方向提供了基础。

    Jan, 2021

  • 社区发现的深度学习：进展、挑战和机遇

    本文介绍了社区检测在科学研究和数据分析中的重要性， 分析了经典社区检测方法的局限性，探讨了基于深度学习的三个研究方向 —— 深度神经网络、深度图嵌入和图神经网络，总结了不同框架、模型和算法的进展和挑战，并探讨了未来研究机遇。

    May, 2020

  • 使用 Line 图神经网络进行监督式社群检测

    使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。

    May, 2017

  • vGraph: 一种联合社区检测和节点表征学习的生成模型

    本文提出了一种基于概率生成模型的方法 vGraph，用于协同地学习社区成员和节点表示，旨在发现图的全局和局部结构；实验表明 vGraph 在社区检测和节点表征学习方面的性能优于多个竞争基线。

    Jun, 2019

  • 通过隐藏个体对社区检测进行对抗攻击

    本研究扩展有关对付深度图形模型的对抗图的应用，着重研究社区检测这一更为困难的问题，提出了一种基于迭代学习的框架，可以生成具有隐私保护功能的对抗图，并可以在多个基于学习的社区检测模型中传递使用。

    Jan, 2020

  • CGC：用于社群检测和跟踪的对比图聚类

    本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

    Apr, 2022