Validation of community robustness

مقدار زیادی از کار بر روی تشخیص جامعه و برنامه های کاربردی آن، یکی از مهمترین سوالاتی را مطرح می کند: اعتبار سنجی آماری نتایج. یک روش ارائه شده است که می تواند به وضوح تشخیص دهد که آیا ساختار جامعه توسط بعضی از الگوریتم ها از لحاظ آماری قابل توجه است یا ناشی از شانس است، صرفا به دلیل موقعیت های لبه در شبکه. با توجه به یک روش تشخیص جامعه و یک شبکه مورد علاقه، پیشنهادات، ثبات پارتیشن را بهبود می بخشد در مقابل تصادمات تصادفی ساختار گراف اصلی. برای رسیدگی به این مسئله، یک استراتژی تحریم و یک گراف مدل صفر، که در بعضی از خواص ساختاری آن مطابق با اصل است، اما در غیر این صورت یک گراف تصادفی مشخص شده است. مجموعه ای از روش ها براساس معیار خاصی از فاصله خوشه بندی، یعنی تغییرات اطلاعات، با استفاده از ابزارهای تنظیم شده برای تجزیه و تحلیل داده های عملکردی ساخته شده است. این رویه ها تعیین می کند که آیا خوشه بندی به دست آمده از مدل خالی به طور قابل توجهی حذف می شود. این به شدت از مقاومت در برابر اختلال در الگوریتم استفاده شده برای شناسایی ساختار جامعه پشتیبانی می کند. نتایج به دست آمده با روش پیشنهادی در مجموعه داده های شبیه سازی شده و واقعی نشان داده شده و مورد بحث قرار گرفته است.