- 异质图模型中的稀疏结构和社区的同时识别
在高斯图模型的框架下,我们引入一种新颖的分解方法,将基础图结构分解为稀疏部分和低秩对角块(非重叠社区),并提出一个三阶段估计过程以及快速高效的算法用于识别稀疏结构和社区。通过两种建模方式展示了这种分解的重要性,并在理论层面上建立了局部可辨识 - 利用社区结构减轻消息传递机制中的度偏差
利用社区结构来解决消息传递中节点度偏差的问题,通过可学习的图增强和新颖的图转换器来学习无偏度的表示,提出了社区感知图转换器 (CGX)。
- 图中社区检测的综述
复杂网络中的社区结构及社区检测方法的综述,涵盖了图的算法和现实应用领域。
- 一种基于社区桥节点的极低预算影响最大化社交网络传播者排序算法
社交网络已经在广泛应用于人们之间的交流并且与传递意见和想法,其中影响最大化是广告推荐和个性化推荐的重要方式之一。此论文提出了一种基于社区结构的方法,利用 K-Shell 算法来生成种子节点和社区之间的连通性得分,以确保信息在社区内的适当传播 - MarkovGNN:基于马尔可夫扩散的图神经网络
该研究提出了一种新的图神经网络模型 MarkovGNN,该模型利用马尔可夫过程捕捉社区结构,并生成不同的随机矩阵用于不同的卷积层,实验结果表明,MarkovGNN 在聚类、节点分类和可视化任务方面优于其他 GNNs。
- 可微分分组归一化加深图神经网络
通过引入两个过度平滑度衡量指标以及可微分的分组正规化技术(DGN),增加同一组内节点的平滑度,同时在不同组之间分离节点分布以显着减轻过度平滑的问题,使得 GNN 模型更加鲁棒,并实现更好的性能与更深层次的 GNN。
- 使用 Ricci 流对网络进行社区检测
通过将网络看作几何对象并将网络中的社群视为几何分解,我们应用曲率和离散 Ricci 流的几何方法来分解网络社群。在具有基本真实社群结构的网络上测试了我们的方法,并实验验证了此几何方法的有效性。
- 简单形式复合体社区检测的 Simplex2Vec 嵌入
本文介绍了如何使用符号嵌入来计算和可视化单纯复合体的社区结构,研究了综合性数据和来自大脑的拓扑表示的社区结构,并展示了如何利用高阶交互作用来改善聚类检测并评估高阶交互作用对个体节点的影响。
- 社区检测方法评估
本文提出了一种方法,将计算出的社区标签映射到基准标签中,并使用 kappa 指数和 F-score 来评估检测到的社区结构。实验结果证明了我们方法的优势,解决了现有指标在计算社区结构质量时出现的问题。
- 用于随机块模型推断的高效蒙特卡罗和贪婪启发式算法
本文介绍了一种对大型网络中的随机块模型进行推理的高效算法。该算法可作为优化的马尔科夫链蒙特卡罗方法或贪婪凝聚启发式算法使用,并且在许多人工和实际网络中均能产生几乎与更精确和昂贵的 MCMC 方法不可区分的结果,并且不偏向于任何特定的混合模式 - 将模块性定义扩展到具有重叠社区的有向图中
本文介绍了复杂网络的社区结构,从 M.Newman 提出的模块度函数评估社区分解的优劣开始,将其扩展到具有重叠社区结构的定向图的更一般情况,并提出了一种找到重叠社区的方法和基准案例研究的结果。同时提出了一个可用作重叠社区结构识别的参考基准的 - 一种带有社群结构的演化网络模型
本文提出了一种基于内部社区优先附着和社区间优先附着机制的演化网络模型,分析了此网络模型的度分布,理论结果和数值模拟表明,该网络模型具有社区结构和无标度特性。