基于图神经网络的重叠社区发现
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。
Jan, 2019
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
本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性，并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验，我们的方法不仅凸显了社区检测和 GNN 之间的协同作用，还解决了链接预测中存在的一些普遍挑战，如可扩展性和分辨率限制。结果表明，整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合，为网络科学领域提供了一种新的整合视角，以更好地理解和预测科学合作的复杂模式。
Jan, 2024
本文在无需已知节点标记的情况下，针对图中存在的重叠社区检测问题，设计了一个基于深度动态残差图卷积网络和 Bernoulli-Poisson 模型的端到端解码器的框架，并且在 Facebook 数据集和多个大型合著网络数据集上实验，结果表明优于现有领先检测算法。
Oct, 2022
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
我们提出了一种名为邻域重叠感知图神经网络（Neo-GNNs）的方法，可以从邻接矩阵中学习有用的结构特征，预测链接，表现出比传统启发式方法更好的性能，可处理重叠的多跳邻域结构信息。
Jun, 2022
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
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
本文介绍了使用 GNN 进行社区检测的问题，并提出了一个用于公平、严谨评估 GNN 的社区检测的基准环境的框架。该文章强调了实验设置对性能的强烈依赖性，并提供了使用框架促进一致性研究的明确动机。
May, 2023