- KDD重新审视图聚类的模块化最大化:对比学习的视角
本研究探讨了模块性最大化方法在图聚类中的潜在成功,将模块性最大化与图对比学习联系起来,提出了一种基于社区感知的图聚类框架 MAGI,通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息,同时避免了语义漂移问题。广泛实验证实了 - 网络中基于粗糙集和共识聚类的社区发现新算法
基于粗糙聚类的共识社区检测(RC-CCD)方法通过粗糙集理论处理数据中的不确定性,并利用共识聚类方法聚合多个聚类结果,增强社区检测的可靠性和准确性,从而有效地管理复杂网络中常见的重叠社区。在 Lancichinetti-Fortunato- - MM通过 MPI 并行计算系统进行矩阵计算的密度峰聚类算法
通过使用两种向量距离矩阵和反向领先节点发现策略,我们提出了一种忠实且并行的密度峰值聚类方法,该方法能够在聚类大规模欧几里得数据时显示出优越的准确性,并且能够聚类非欧几里得数据,例如在社区检测中。
- 利用强化学习识别分裂观点提高社交媒体社群识别能力
利用大规模社交媒体的使用和其重大影响,本研究旨在通过训练较小的大语言模型来提高大型语言模型识别用户社区的能力,并在 Reddit 和 Twitter 数据上展示其改进了社区检测、机器人检测和新闻媒体描述的结果。
- 非线性尖峰随机矩阵模型的信号加噪分解
本研究采用非线性函数将噪声矩阵与受到秩为一的信号干扰的随机矩阵模型进行研究,建立了信号加噪声的分解方法,并在信号强度的临界阈值点上确定了信号组成结构的精确相变。为验证这种分解方法的适用性,我们使用它来研究非线性模型中的有符号信号恢复问题和经 - 异构多社交网络的社区检测
提出一种基于非负矩阵三因子分解的社区检测方法,用于多个异构社交网络,通过检测不同社交网络中的重叠用户社区来增强全局社区的融合程度,并在 Twitter、Instagram 和 Tumblr 数据集上展示其卓越的社区质量和社区融合性能。
- MM图嵌入方法在社区检测中的稳健性
本研究探讨了在网络扰动(尤其是边缘删除)的情况下,图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性,发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是,nod - 图顶点嵌入:距离、正则化和社区检测
本文研究图嵌入的质量以及其在社区检测方面的有效性,通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离,将顶点嵌入作为距离矩阵的变换结果进行分析,并在多个基准数据集上进行评估。结果表明,该方法操作于降维表示,使得计算复杂度大为减少,且性能与传统 - 无桩自行车共享系统中基于图优化的网络扩张
自行车共享系统是全球超过一千个城市中部署的,对许多城市交通系统起着重要作用。本研究利用摩比自行车的出行数据构建了一个优化的地理时空图,揭示了未来共享系统扩展时的最佳站点位置。使用路汶算法进行社区检测,发现不同时间粒度上呈现类似使用模式的自包 - 多视角随机块模型中的社区检测
该研究从信息论的角度考虑了在多个可能相关的图上的社区检测问题。通过建立多视图随机块模型 (MVSBM),我们得出了一个信息论的上界和下界,当 MVSBM 的模型参数超过某个阈值时可以实现准确的社区恢复,否则期望的错误分类节点数将大于一。
- 多视图聚类的多层随机块模型混合
该研究提出了一种用于聚合来自不同信息源的多个聚类的原始方法,使用多层随机块模型(SBM)的混合来将具有相似信息的共成员矩阵分组为组件,并将观测分割为不同的聚类,考虑它们在组件内的特定性。该方法对模型参数的可识别性进行了建立,并提出了一种变分 - AAAI探索联邦社区检测的框架
分布式社区检测中的联邦学习,初步实验揭示了分布数据引入的性能差距,并提出了解决这些问题的解决方案。
- 了解社交媒体对气候变化的观点
通过社交媒体平台,研究了真实世界事件对社交媒体上个体对气候变化相关主题的观点的影响,包括社群检测、情感分析和话题建模等方面的研究。
- ABCD 模型中的社群自相似性
ABCD 图人工基准是一个带有社区结构和幂律分布的随机图模型。该模型生成类似于著名的 LFR 模型的图,但速度更快,并且可以通过分析进行研究。本文证明 ABCD 模型具有一些有趣的自相似行为,即地面真实社区的度分布渐近地与整个图的度分布相同 - 社区感知的高效图对比学习:基于个性化自训练
我们提出了一种新颖的社区感知高效图对比学习框架(CEGCL),通过个性化自我训练和对齐的图聚类技术,实现了社区检测任务中的无监督学习和结构相关性任务的高性能。
- 对比深度非负矩阵因式分解在社区检测中的应用
提出了一种名为对比深层非负矩阵分解 (CDNMF) 的新型社区检测算法,通过加深非负矩阵分解来提取信息,创造性地将网络拓扑和节点属性构建为两个对比视图,并利用去偏差负采样层学习社区级别的节点相似性,提高模型对社区检测的适应性,实验证明,该模 - 使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证
通过对大型网络的节点进行嵌入,得到欧几里德空间中的表示是现代机器学习中的一个常见目标,该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析,证明了其在聚类任务中表现出较弱的一致性,并对其在网络数据中的应用进行了讨论。
- 社群检测中近似、启发式和图神经网络算法中的模块化最大化分析
分析表明,常用的基于模块性的方法在发现社区结构时很少产生最优划分或最接近最优划分的划分,因此,推荐使用近似优化算法以在方法适用范围内更加方法论严谨地使用模块性。
- 利用深度强化学习的反事实图搜索进行社区成员隐藏
通过深度强化学习,本研究提出了一种将社区成员隐藏作为约束反事实图目标的方法,并在节点和社区欺骗两个任务上对其有效性进行了验证。实验证明,该方法在两个任务中总体优于现有基线模型。
- 地图方程转为神经网络
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。