基于结构学习的社区检测鲁棒马尔可夫稳定性

《Proceedings of the ACM on Human-Computer Interaction》：Robust Markov Stability for Community Detection at the Scale Learned based on the Structure

本文提出结合Markov稳定性框架和预训练机器学习模型的方法，自动选择网络结构合适的尺度，从而无需用户干预即可生成鲁棒社区划分的PyGenStabilityOne算法，并证明其优于29种现有算法。

　　

摘要

社区检测是一种无监督的图节点聚类任务，在多个领域都有应用。常见的社区检测方法是通过优化目标函数，将节点划分为单一粒度的社区。然而，这些单一尺度的方法往往无法生成既稳健又符合实际需求的社区划分。现有的算法PyGenStability通过优化多尺度Markov稳定性函数来返回多个稳健的社区划分。但在不知道或用户未假设合适尺度的情况下，需要一种方法从PyGenStability生成的多个划分中选择一个合适的稳健划分。

我们提出的方法将Markov稳定性框架与预训练的机器学习模型结合，用于选择基于图结构确定的适当尺度。这种自动尺度选择方法使用了在包含1万个基准网络的数据集上手工制作并基于嵌入特征预训练的梯度提升模型。该模型被训练用于预测能够使输出社区划分与基准网络预设划分最相似的尺度值。将我们的尺度选择算法与PyGenStability算法结合，得到了PyGenStabilityOne (PO)：一种无需任何假设、输入或用户调整即可返回合适尺度下稳健社区划分的多尺度社区检测算法。我们将PO的性能与29种算法进行了比较，结果显示其性能显著优于其中25种算法。我们的研究结果有助于在不同社区检测算法中进行选择，而PO因其准确性、稳健性和无需超参数的特点而脱颖而出。

可用格式

您可以通过以下格式查看完整内容：

PDF