Jun, 2023

从下而上何时在层次社区检测中优于从上而下？

PDF
TL;DR本文介绍了一种基于 自上而下 (top-down) 算法 的层次聚类的算法；通过实验，发现了这种算法与传统的 自下而上 (bottom-up) 的算法相比，可以更好地恢复精细的社区结构，并可在模型的中间层次上取得信息学门槛下的恢复。
hierarchical clusteringbottom-up algorithmcommunity structurestochastic block modelexact recovery
发现论文，激发创造
  • 层级随机块模型中的社区检测和分类

    该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法，首先将图嵌入到一个适当的欧几里得空间中以获得低维表示，然后将顶点聚类成社区，并应用非参数图推理技术识别这些社区之间的结构相似性，然后可以递归地应用这两个步骤到社区上，以检测更细粒度的结构。最后，在模拟和真实数据上证明了该算法的有效性。

    Mar, 2015

  • 强健层次聚类

    本文提出了一种新的鲁棒的自下而上聚类算法，并展示了在满足一定自然属性且传统算法失效的情况下，该算法可以被用来进行准确的聚类。同时，该算法也被适用于归纳设置，并在合成数据和真实数据集上的实验表明，在存在噪音时，与其他分层算法相比，该算法可以获得更好的表现。

    Jan, 2014

  • 大型网络中的分层块结构和高分辨率模型选择

    通过具备多重尺度的完全描述网络层次结构的嵌套概率模型，可避免现有方法的局限性，在更高的分辨率下检测模块化结构并确保不产生伪模块，且具有一般性和可扩展性，适用于大型网络的高效算法

    Oct, 2013

  • 复杂网络中重叠和分层社区结构的检测

    本研究介绍了一种基于适应度函数本地优化的算法，能够发现复杂网络中的社区结构、嵌套社区和重叠社区，可以通过调整参数来探索不同层次的组织结构水平。在真实网络和人工网络上进行了测试，取得了优异的结果。

    Feb, 2008

  • 基于分层随机块模型的谱聚类的一致性

    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

  • 在极大网络中找到社群结构

    本篇论文提出了一种层次聚合算法，用于快速检测社区结构，可以在大规模复杂网络上运行，并且应用于分析一个大型在线零售商网站上销售物品的网络，揭示了客户购物习惯的大规模模式。

    Aug, 2004

  • 网络中自动社区检测的假设检验

    本文提出了自动确定 Stochastic Blockmodel 所生成的图中聚类数的方法。通过剖析相应的邻接矩阵的主特征值限制分布并用于假设检验，提出了一个递归二分算法，该算法在真实世界的定量分类任务中表现优于现有概率模型，并且在未标记的网络中揭示出嵌套的社区结构。

    Nov, 2013

  • 大规模网络中检测社区结构的近线性时间算法

    通过节点的标签传播，本文提出了一种在大规模网络上检测社区结构的算法，不需要预先知道社区数量和大小，并且计算效率高；实验证明该算法与先前算法相比具有更高的计算速度。

    Sep, 2007

  • 复杂网络中社区发现的多个方面

    本文聚焦于介绍社区检测在网络科学研究中不同的动机，指出社区检测的许多研究方向和未来的研究方向。

    Nov, 2016

  • 网络中的社区结构发现与评估

    本研究提出了一套算法用于发现网络中的社群结构，算法基于边的 “介数” 指标进行网络拆分，并针对性的进行度量评估，研究结果表明这些算法对于计算机生成和现实世界中的网络数据发现社群结构非常有效，可为我们探索复杂的网络系统结构提供帮助。

    Aug, 2003