論文の概要: Benchmarking Evolutionary Community Detection Algorithms in Dynamic Networks

• arxiv url: http://arxiv.org/abs/2312.13784v2
• Date: Thu, 11 Jan 2024 09:28:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 02:59:10.574655
• Title: Benchmarking Evolutionary Community Detection Algorithms in Dynamic Networks
• Title（参考訳）: 動的ネットワークにおける進化的コミュニティ検出アルゴリズムのベンチマーク
• Authors: Giordano Paoletti, Luca Gioacchini, Marco Mellia, Luca Vassio, Jussara M. Almeida
• Abstract要約: 動的ネットワークでは、エンティティは相互作用し、時間とともに進化するネットワークコミュニティを形成する。 動的ネットワークにおける進化的CDアルゴリズムのベンチマークフレームワークと一般化モジュラリティベースアプローチ(NeGMA)を提案する。 以上の結果から,$alpha$GMAは断続的変換の検出に適しているが,急激な変化に苦慮していることが明らかとなった。
• 参考スコア（独自算出の注目度）: 3.3945171520079866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In dynamic complex networks, entities interact and form network communities that evolve over time. Among the many static Community Detection (CD) solutions, the modularity-based Louvain, or Greedy Modularity Algorithm (GMA), is widely employed in real-world applications due to its intuitiveness and scalability. Nevertheless, addressing CD in dynamic graphs remains an open problem, since the evolution of the network connections may poison the identification of communities, which may be evolving at a slower pace. Hence, naively applying GMA to successive network snapshots may lead to temporal inconsistencies in the communities. Two evolutionary adaptations of GMA, sGMA and $\alpha$GMA, have been proposed to tackle this problem. Yet, evaluating the performance of these methods and understanding to which scenarios each one is better suited is challenging because of the lack of a comprehensive set of metrics and a consistent ground truth. To address these challenges, we propose (i) a benchmarking framework for evolutionary CD algorithms in dynamic networks and (ii) a generalised modularity-based approach (NeGMA). Our framework allows us to generate synthetic community-structured graphs and design evolving scenarios with nine basic graph transformations occurring at different rates. We evaluate performance through three metrics we define, i.e. Correctness, Delay, and Stability. Our findings reveal that $\alpha$GMA is well-suited for detecting intermittent transformations, but struggles with abrupt changes; sGMA achieves superior stability, but fails to detect emerging communities; and NeGMA appears a well-balanced solution, excelling in responsiveness and instantaneous transformations detection.
• Abstract（参考訳）: 動的複雑ネットワークでは、エンティティは時間とともに進化するネットワークコミュニティを相互作用させ形成する。 多くの静的コミュニティ検出(CD)ソリューションの中で、モジュラリティベースのLouvainやGreedy Modularity Algorithm(GMA)は、その直感性とスケーラビリティのために現実世界のアプリケーションに広く使われている。 それでも、ネットワーク接続の進化がコミュニティの識別を損なう可能性があるため、動的グラフにおけるCDの対応は未解決の問題のままである。 したがって、連続するネットワークスナップショットにGMAを鼻で適用することは、コミュニティの時間的矛盾につながる可能性がある。 GMA の2つの進化的適応 sGMA と $\alpha$GMA がこの問題に対処するために提案されている。 しかし、これらの手法のパフォーマンスを評価し、どのシナリオが適しているかを理解することは、包括的なメトリクスセットと一貫した基礎的真理が欠如しているため困難である。 これらの課題に対処するために (i)動的ネットワークにおける進化的CDアルゴリズムのベンチマークフレームワーク (ii) 一般化モジュラリティベースのアプローチ(NeGMA)。 私たちのフレームワークでは、合成されたコミュニティ構造グラフを生成し、異なるレートで9つの基本的なグラフ変換によって進化するシナリオを設計できます。 私たちは3つの指標、すなわち正確性、遅延、安定性を通してパフォーマンスを評価します。 以上の結果から, 間欠的変換の検出には$\alpha$GMAが適しているが, 急激な変化に苦慮し, sGMAは優れた安定性を達成できるが, 新興コミュニティの検出には失敗し, 応答性や瞬時変換の検出に優れたNeGMAはバランスの良い解であることがわかった。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• MNTD: An Efficient Dynamic Community Detector Based on Nonnegative Tensor Decomposition [3.714657619100999]
  本稿では,動的コミュニティ検出のためのモジュラリティ内非負のRESCAL分解(MNTD)モデルを提案する。 MNTDは、コミュニティ検出の精度において最先端の動的コミュニティ検出方法よりも優れている。
  論文  参考訳（メタデータ） (2024-07-26T16:17:53Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Dynamics-aware Adversarial Attack of 3D Sparse Convolution Network [75.1236305913734]
  ディープニューラルネットワークにおける動的に認識される敵攻撃問題について検討する。 ほとんどの既存の敵攻撃アルゴリズムは基本的な前提の下で設計されており、ネットワークアーキテクチャは攻撃プロセス全体を通して固定されている。 本稿では,LGM(Leaded Gradient Method)を提案する。
  論文  参考訳（メタデータ） (2021-12-17T10:53:35Z)
• Towards Modularity Optimization Using Reinforcement Learning to Community Detection in Dynamic Social Networks [0.0]
  本稿では,強化学習戦略に基づく動的ネットワークにおけるコミュニティ検出問題に対するアプローチを提案する。 合成および実世界の動的ネットワークデータを用いた実験は、静的シナリオに匹敵する結果を示す。
  論文  参考訳（メタデータ） (2021-11-25T19:55:57Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Transfer Learning Based Multi-Objective Evolutionary Algorithm for Community Detection of Dynamic Complex Networks [1.693830041971135]
  本稿では,伝達学習と従来の多目的進化アルゴリズムに基づく特徴伝達に基づく多目的最適化アルゴリズム(TMOGA)を提案する。 このアルゴリズムは,様々なテスト問題において,最先端の動的ネットワークコミュニティ検出アルゴリズムと比較して,より優れたクラスタリング効果が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-30T17:16:51Z)
• QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
  QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。 本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2021-04-08T07:52:48Z)
• Graph Neural Network Encoding for Community Detection in Attribute Networks [27.099775681534652]
  複雑な属性ネットワークにおけるコミュニティ検出問題に対処するために,グラフニューラルネットワーク符号化法を提案する。 実験により、このアルゴリズムは、よく知られた進化的および非進化的アルゴリズムよりもはるかに優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-06-06T23:41:36Z)
• Community detection in sparse time-evolving graphs with a dynamical Bethe-Hessian [47.82639003096941]
  本稿では、コミュニティ構造が時間とともに進化するスパース力学グラフにおけるコミュニティ検出の問題について考察する。 クラスラベルの正の相関と時間進化の利点を生かしたBethe-Hessian行列の拡張に基づく高速スペクトルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-03T11:44:19Z)
• DANR: Discrepancy-aware Network Regularization [15.239252118069762]
  ネットワーク正規化は、ネットワーク上のコヒーレントモデルを学習するための効果的なツールである。 本稿では,正規化が不十分で,時間的ネットワーク上でのモデル進化と構造変化を効果的に捉える新しい手法を提案する。 本研究では,乗算器の交互化法(ADMM)に基づくスケーラブルでスケーラブルなアルゴリズムを開発し,大域的最適解への収束を保証する。
  論文  参考訳（メタデータ） (2020-05-31T02:01:19Z)

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。