META-CODE 是一种新的端到端解决方案，可通过易于收集的节点元数据和探索性学习来检测未知拓扑结构的网络中的重叠社区。其算法包括三个步骤：1）初始化网络推断，2）基于图神经网络的节点层次社区归属嵌入，3）基于社区归属的网络探索。实验结果表明，META-CODE 具有优于基准方法的性能，训练模型的有效性以及快速网络探索。

Aug, 2022

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

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

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

本文提出了一种用于评估社区检测算法的数据和元数据的联合生成模型及其参数推断方法，通过预测网络中边的位置来评估元数据的质量，并且展示了如何利用这个特点来预测缺失的节点和元数据。研究结果表明，尽管数据组和元数据标记之间很少存在精确的一致性，但元数据通常仍可以提供网络结构的信息，并且可以提高缺失节点的预测能力。

Apr, 2016

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

在本文中，我们提出了一种基于上下文路径的图神经网络（CP-GNN）模型，通过递归地嵌入节点之间的高阶关系来区分不同关系的重要性，学习既能保留节点之间高阶关系又有助于社区检测的节点嵌入，从而优于现有社区检测方法。

Sep, 2021

通过梯度下降优化可完全可微的张量形式的映射方程，以深度学习为基础的图神经网络在社区检测和图聚类任务上取得了具有竞争力的性能，同时能够自动确定最优的聚类数目，并能够避免过分划分稀疏图。

Oct, 2023

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021