論文の概要: Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion

• arxiv url: http://arxiv.org/abs/2505.10197v1
• Date: Thu, 15 May 2025 11:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.300379
• Title: Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion
• Title（参考訳）: グラフ畳み込みニューラルネットワークによるコミュニティ検出の促進--トポロジカルおよび属性結合のブリッジング
• Authors: Anjali de Silva, Gang Chen, Hui Ma, Seyed Mohammad Nekooei, Xingquan Zuo,
• Abstract要約: そこで我々は,Topological and Attributive similarity-based Community Detection (TAS-Com)法を提案する。 TAS-Comは、高度に効率的でスケーラブルなライデン属性アルゴリズムを利用して、グローバルな最適モジュラリティを持つコミュニティ構造を検出する。 我々は,TAS-Comがいくつかの最先端アルゴリズムを大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 5.009105844450518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection, a vital technology for real-world applications, uncovers cohesive node groups (communities) by leveraging both topological and attribute similarities in social networks. However, existing Graph Convolutional Networks (GCNs) trained to maximize modularity often converge to suboptimal solutions. Additionally, directly using human-labeled communities for training can undermine topological cohesiveness by grouping disconnected nodes based solely on node attributes. We address these issues by proposing a novel Topological and Attributive Similarity-based Community detection (TAS-Com) method. TAS-Com introduces a novel loss function that exploits the highly effective and scalable Leiden algorithm to detect community structures with global optimal modularity. Leiden is further utilized to refine human-labeled communities to ensure connectivity within each community, enabling TAS-Com to detect community structures with desirable trade-offs between modularity and compliance with human labels. Experimental results on multiple benchmark networks confirm that TAS-Com can significantly outperform several state-of-the-art algorithms.
• Abstract（参考訳）: 実世界のアプリケーションにとって重要な技術であるコミュニティ検出は、ソーシャルネットワークにおけるトポロジカルおよび属性類似性を活用することで、結束ノードグループ(コミュニティ)を明らかにする。 しかし、モジュラリティを最大化するために訓練された既存のグラフ畳み込みネットワーク(GCN)は、しばしば準最適解に収束する。 さらに、トレーニングに人ラベルのコミュニティを直接使用すると、ノード属性のみに基づいて非連結ノードをグループ化することで、トポロジカルな凝集性を損なう可能性がある。 そこで我々は,新しいTopological and Attributive similarity-based Community Detection (TAS-Com)法を提案する。 TAS-Comは、高度に効率的でスケーラブルなライデンアルゴリズムを利用して、グローバルな最適モジュラリティを持つコミュニティ構造を検出する新しい損失関数を導入した。 ライデンはさらに、人間ラベルのコミュニティを洗練させ、各コミュニティ内の接続性を確保するために利用されており、TAS-Comは、モジュラリティと人間ラベルとの整合性の間のトレードオフが望ましいコミュニティ構造を検出できる。 複数のベンチマークネットワークの実験結果から、TAS-Comは最先端のアルゴリズムを著しく上回っていることが確認された。

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)
• 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)
• 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)
• A Novel Algorithm for Community Detection in Networks using Rough Sets and Consensus Clustering [0.0]
  社会的、生物学的、技術的システムのような複雑なネットワークは、しばしばコミュニティ検出の課題に挑戦する。 本研究は,ネットワークコミュニティの構造を効果的に識別するための,新しい粗いクラスタリングに基づくコンセンサスコミュニティフレームワーク(RC-CCD)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T09:01:21Z)
• Semi-supervised Community Detection via Structural Similarity Metrics [0.0]
  本研究では,新しいノードのコミュニティラベルを推定することを目的とした,半教師付きコミュニティ検出問題について検討する。 本稿では,新しいノードとK$コミュニティ間の構造的類似度メトリック'を計算するアルゴリズムを提案する。 我々の知る限りでは、理論的な保証を提供する最初の半教師付きコミュニティ検出アルゴリズムである。
  論文  参考訳（メタデータ） (2023-06-01T19:02:50Z)
• A Unified Framework for Exploratory Learning-Aided Community Detection Under Topological Uncertainty [14.903452009770715]
  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)
• 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)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• 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)
• 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。