論文の概要: Community Detection in Networks: A Rough Sets and Consensus Clustering Approach
- arxiv url: http://arxiv.org/abs/2406.12412v2
- Date: Wed, 28 May 2025 13:25:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 17:35:49.98943
- Title: Community Detection in Networks: A Rough Sets and Consensus Clustering Approach
- Title（参考訳）: ネットワークにおけるコミュニティ検出:粗集合と合意クラスタリングアプローチ
- Authors: Darian H. Grass-Boada, Leandro González-Montesino, Rubén Armañanzas,
- Abstract要約: 本稿では,Rough Clustering-based Consensus Community Detection (RC-CCD) と呼ばれるフレームワークを提案する。
RC-CCDフレームワークは、Lancichinetti-Fortunato-Radicchi (LFR)法によって生成された、様々なネットワークスケール、ノード度、コミュニティサイズをシミュレートするベンチマークネットワーク上でテストされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of this paper is to propose a framework, called Rough Clustering-based Consensus Community Detection (RC-CCD), to effectively address the challenge of identifying community structures in complex networks from a set of different community partitions. The method uses a consensus approach based on Rough Set Theory (RST) to manage uncertainty and improve the reliability of community detection. The RC-CCD framework is tested on synthetic benchmark networks generated by the Lancichinetti-Fortunato-Radicchi (LFR) method, which simulate varying network scales, node degrees, and community sizes. Key findings demonstrate that RC-CCD outperforms established algorithms like Louvain, Greedy, and LPA in terms of normalized mutual information, showing superior accuracy and adaptability, particularly in networks with higher complexity, both in terms of size and dispersion. These results have significant implications for enhancing community detection in fields such as social and biological network analysis.
- Abstract（参考訳）: 本稿では,Rough Clustering-based Consensus Community Detection (RC-CCD) と呼ばれるフレームワークを提案する。
この手法はRough Set Theory(RST)に基づくコンセンサス手法を用いて不確実性を管理し,コミュニティ検出の信頼性を向上させる。
RC-CCDフレームワークは、Lancichinetti-Fortunato-Radicchi (LFR) 法によって生成された、様々なネットワークスケール、ノード度、コミュニティサイズをシミュレートする合成ベンチマークネットワーク上でテストされる。
鍵となる発見は、RC-CCDが正規化された相互情報の観点から、Louvain、Greedy、LPAのような確立されたアルゴリズムよりも優れており、特にサイズと分散の両面で、より複雑なネットワークにおいて、精度と適応性が優れていることを示している。
これらの結果は、社会的・生物学的ネットワーク分析などの分野におけるコミュニティ検出の強化に重要な意味を持つ。
関連論文リスト
- A Local Perspective-based Model for Overlapping Community Detection [0.06206748337438322]
地域コミュニティの観点から重なり合うコミュニティ検出モデルであるLQ-GCNを提案する。
LQ-GCNはBernoulli-Poissonモデルを用いてコミュニティアフィリエイトマトリックスを構築し、エンドツーエンド検出フレームワークを形成する。
LQ-GCNは、正規化された相互情報(NMI)が最大33%改善され、リコールが26.3%改善された。
論文 参考訳（メタデータ） (2025-03-27T14:43:42Z) - Community Detection by ELPMeans: An Unsupervised Approach That Uses Laplacian Centrality and Clustering [0.0]
ソーシャルネットワークの最近の増加により、ネットワーク分析のコミュニティはより複雑になっている。
本稿は,この課題に対処する試みとして,ELPMeansという新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-02-27T09:07:45Z) - HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection [3.389327931408283]
コミュニティ検出は、密接に結びついた部分グラフを明らかにする上で重要な役割を果たす。
従来,ネットワークトポロジと属性情報を属性付きコミュニティ検出に有効活用してきた。
ヘテロジニアスグラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルであるHACDを提案する。
論文 参考訳（メタデータ） (2024-11-04T10:16:59Z) - Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。
これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
論文 参考訳（メタデータ） (2024-08-17T02:17:09Z) - Learning Persistent Community Structures in Dynamic Networks via
Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。
MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。
TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文 参考訳（メタデータ） (2024-01-06T11:29:19Z) - 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) - Unsupervised Clustered Federated Learning in Complex Multi-source
Acoustic Environments [75.8001929811943]
現実的で挑戦的なマルチソース・マルチルーム音響環境を導入する。
本稿では,音響シーンの変動を考慮したクラスタリング制御手法を提案する。
提案手法はクラスタリングに基づく測度を用いて最適化され,ネットワークワイド分類タスクによって検証される。
論文 参考訳（メタデータ） (2021-06-07T14:51:39Z) - A multilevel clustering technique for community detection [0.0]
本研究では,ネットワーク内の関連コミュニティを識別するスケーラブルなフレームワークに基づく新しい検出手法を提案する。
マイクロコズムと呼ばれる地域社会を識別するために構造的およびテキスト的情報を活用するマルチレベルクラスタリング手法(MCT)を提案する。
このアプローチは、低レベルのコミュニティがTwitterでどのように進化し、行動するかを説明するためのより良い理解と明快さを提供します。
論文 参考訳（メタデータ） (2021-01-16T23:26:44Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
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。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
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。