کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861327 1439246 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Low-rank subspace learning based network community detection
ترجمه فارسی عنوان
تشخیص جامعه مبتنی بر یادگیری مبتنی بر زیرساخت پایین
کلمات کلیدی
شبکه پیچیده تشخیص جامعه، نمایندگی نامناسب، یادگیری زیرزمینی،
ترجمه چکیده
ساختار جامعه یکی از مهمترین ویژگی های ذاتی در شبکه های پیچیده است. به طور کلی، گره ها در هر جامعه دارای یک زیرمجموعه متفاوت در فضای هندسی هستند. با این حال، روش های مبتنی بر زیر فضای خوبی مطالعه نشده است، و الگوریتم های مرتبط موجود به حساسیت به اختلال در شبکه ها حساس هستند، بنابراین توانایی ضبط تقسیم بندی زیر فضای قوی را دقت ندیده است. در این مقاله، ما یک الگوریتم تشخیص جامعه محلی مبتنی بر یادگیری بر پایه ی پایین را پیشنهاد می دهیم. سهم این مقاله این است که پایینترین رتبه بندی همه بردارهای گره را به طور مشترک در فضای هندسی با استفاده از استراتژی تجزیه پایین رتبه پیدا کنیم. سپس جامعهای مبتنی بر زیرمجموعه پایینی نهایی قوی از نمایشهای پایینترین رتبه به دست میآید. تجزیه و تحلیل ضعیف بهتر است در ساختن ساختار جهانی شبکه ها، به این ترتیب الگوریتم ما برای برهم زدن شبکه ها قوی تر است و عملکرد بهتر در تبعیض بر محدوده های جامعه دارد. نتایج تجربی در هر دو گره های مصنوعی و شبکه های دنیای واقعی نشان می دهد که الگوریتم پیشنهادی از روش های تشخیص جامعه پیشرفته تر است و نتایج عمدتا ساختار واقعی جامعه را حفظ می کند، به ویژه در شبکه هایی با ساختارهای مبهم جامعه.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص جامعه مبتنی بر یادگیری مبتنی بر زیرساخت پایین
چکیده انگلیسی
Community structure is one of the most important inherent properties in complex networks. Generally, nodes in each community span a different subspace in the geometric space. However, the subspace based methods are not well studied, and the existing related algorithms are sensitive to the perturbations in networks, thus lack the ability to capture the robust subspace segmentation accurately. In this paper we propose a low-rank subspace learning based network community detection algorithm. The contribution of this paper is to find the lowest rank representation of all node vectors jointly in the geometric space using low-rank decomposition strategy. Then the final robust low-rank subspace based communities are obtained from the lowest rank representations. Low-rank decomposition is better at capturing global structure of networks, thus our algorithm is more robust to perturbations in networks and has a better performance on discriminating the community boundaries. Experimental results on both synthetic benchmarks and real-world networks demonstrate that the proposed algorithm outperforms the state-of-the-art community detection approaches and the results basically preserve the actual community structure, especially on networks with vague community structures.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 155, 1 September 2018, Pages 71-82
نویسندگان
, , , ,