論文の概要: A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning

• arxiv url: http://arxiv.org/abs/2101.01669v1
• Date: Sun, 3 Jan 2021 02:32:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 11:40:11.048161
• Title: A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning
• Title（参考訳）: コミュニティ検出手法に関する調査研究:統計的モデリングから深層学習へ
• Authors: Di Jin, Zhizhi Yu, Pengfei Jiao, Shirui Pan, Philip S. Yu, Weixiong Zhang
• Abstract要約: ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
• 参考スコア（独自算出の注目度）: 95.27249880156256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection, a fundamental task for network analysis, aims to partition a network into multiple sub-structures to help reveal their latent functions. Community detection has been extensively studied in and broadly applied to many real-world network problems. Classical approaches to community detection typically utilize probabilistic graphical models and adopt a variety of prior knowledge to infer community structures. As the problems that network methods try to solve and the network data to be analyzed become increasingly more sophisticated, new approaches have also been proposed and developed, particularly those that utilize deep learning and convert networked data into low dimensional representation. Despite all the recent advancement, there is still a lack of insightful understanding of the theoretical and methodological underpinning of community detection, which will be critically important for future development of the area of network analysis. In this paper, we develop and present a unified architecture of network community-finding methods to characterize the state-of-the-art of the field of community detection. Specifically, we provide a comprehensive review of the existing community detection methods and introduce a new taxonomy that divides the existing methods into two categories, namely probabilistic graphical model and deep learning. We then discuss in detail the main idea behind each method in the two categories. Furthermore, to promote future development of community detection, we release several benchmark datasets from several problem domains and highlight their applications to various network analysis tasks. We conclude with discussions of the challenges of the field and suggestions of possible directions for future research.
• Abstract（参考訳）: ネットワーク分析の基本的なタスクであるコミュニティ検出は、ネットワークを複数のサブ構造に分割して、潜在機能を明らかにすることを目的としている。 コミュニティ検出は、多くの現実世界のネットワーク問題に広く研究され、広く適用されてきた。 コミュニティ検出に対する古典的なアプローチは一般に確率的グラフィカルモデルを使用し、コミュニティ構造を推測するために様々な事前知識を採用する。 ネットワーク手法が解決しようとする問題や分析対象のネットワークデータがより高度化するにつれ、特にディープラーニングを利用してネットワークデータを低次元表現に変換する新たなアプローチが提案され開発されている。 最近の進歩にもかかわらず、コミュニティ検出の理論的および方法論的基盤についての洞察深い理解が未だに欠如しており、ネットワーク分析の分野の将来の発展に極めて重要である。 本稿では,ネットワークコミュニティ探索手法の統一アーキテクチャを開発・提示し,コミュニティ検出技術の最先端を特徴付ける。 具体的には,既存のコミュニティ検出手法の包括的レビューを行い,既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分類する新しい分類法を提案する。 次に2つのカテゴリで各メソッドの背後にある主なアイデアを詳細に論じる。 さらに,コミュニティ検出の今後の発展を促進するため,いくつかの問題領域からベンチマークデータセットを複数リリースし,様々なネットワーク分析タスクへの適用を強調した。 今後の研究に向けて,この分野の課題と今後の方向性を提案する。

関連論文リスト

• A Unified Framework for Exploratory Learning-Aided Community Detection Under Topological Uncertainty [16.280950663982107]
  META-CODEは、ソーシャルネットワークにおける重複コミュニティを検出する統合フレームワークである。 1)新たな再構築損失によってトレーニングされたグラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,2)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,3)エッジ接続に基づくSiameseニューラルネットワークモデルを用いたネットワーク推論,の3つのステップで構成されている。
  論文  参考訳（メタデータ） (2023-04-10T10:22:21Z)
• META-CODE: Community Detection via Exploratory Learning in Topologically Unknown Networks [5.299515147443958]
  META-CODEは、未知のトポロジを持つネットワーク内の重複するコミュニティを検出するエンドツーエンドのソリューションである。 1)ネットワークの初期推定,2)グラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,3)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,の3つのステップで構成されている。
  論文  参考訳（メタデータ） (2022-08-23T15:02:48Z)
• GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks [31.565081319419225]
  近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。 従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。 マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-08T04:54:53Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
  オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。 本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。 この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
  論文  参考訳（メタデータ） (2021-04-16T06:44:50Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Survey of Network Intrusion Detection Methods from the Perspective of the Knowledge Discovery in Databases Process [63.75363908696257]
  本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。 本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。 この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
  論文  参考訳（メタデータ） (2020-01-27T11:21:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。