Adaptive modularity maximization via edge weighting scheme

حداکثر سازی ماژولار یکی از روش های پیشرفته ترین تشخیص جامعه است که در دهه گذشته محبوبیت زیادی به دست آورده است. با این وجود، با محدود کردن شرایط جوامع بزرگی از جمله موارد کوچک، مشکل از مشکل قطعنامه رنج می برد. برای حل این مشکل، ما پیشنهاد می کنیم معنای لبه هایی که در حال حاضر برای نشان دادن گرایش به اشتراک گذاری یک جامعه مشابه استفاده می شود را گسترش دهند. در رویکرد ما این نقش لبه ها با وزن مثبت است، در حالی که لبه های با وزن منفی نشان می دهد که نگرانی برای قرار دادن پایان دادن به گره ها در یک جامعه است. ما همچنین یک مدل رگرسیون جدید ارائه می دهیم که وزن را به لبه های یک گراف بر اساس ویژگی های توپولوژیکی محلی خود افزایش می دهد تا دقت الگوریتم های حداکثر سازی مدولاریته افزایش یابد. ما گرافهای مصنوعی را براساس پارامترهای نمونه برداری شده از یک شبکه داده های بدون وزن محاسبه می کنیم و مدل رگرسیون را در جوامع حقیقی زمین از این گراف های مصنوعی نظارت می کنیم. استخراج ویژگی های لایه توپولوژیکی محلی را می توان در زمان خطی انجام داد، و این فرایند را کارآمد می سازد. نتایج تجربی در شبکه های واقعی و مصنوعی نشان می دهد که الگوریتم های تشخیص جامعه از لحاظ پیشرفته، با به دست آوردن جوامع در نمودار های وزنی تولید شده توسط مدل ما، عملکرد آنها را به میزان قابل توجهی بهبود می بخشد.