New Recipe for Semi-supervised Community Detection: Clique Annealing under Crystallization Kinetics

要約

半教師のコミュニティ検出方法は、ラベルの希少性のために特定のコミュニティを特定するために広く使用されています。
既存の半教師コミュニティ検出方法には、通常、初期の識別とその後の調整の両方で2つの学習段階学習が含まれます。
さらに、これらの方法は、強化学習と生成的敵対的ネットワークに依存し、計算コストが高くなり、候補者の選択を制限するため、スケーラビリティの問題に遭遇します。
これらの制限に対処するために、アニーリングプロセスの自発性をコミュニティ検出に統合するために、結晶化速度論とコミュニティ検出の類似点を描きます。
具体的には、アニーリングと同様のプロセスを通じて完全な粒子（コミュニティ）に拡大するクリスタルサブグレイン（コア）を特定するために、コミュニティの検出を例えます。
この発見に基づいて、これらの原則を最適化プロセスに統合してコミュニティコアの一貫性を強化することにより、速度論の概念をコミュニティ検出に適用するクリークアニーリング（Clann）を提案します。
その後、隣接するクリークを統合してコミュニティコアを再配置することにより、学習のない推移的なアニール人が採用され、1段階の候補者を改良し、スケーラビリティを向上させる自発的な成長プロセスを可能にしました。
\ textBf {43}のさまざまなネットワーク設定に関する広範な実験は、Clannが複数の現実世界のデータセットで最新の方法を上回り、コミュニティ検出におけるその卓越した有効性と効率を紹介することを示しています。

要約(オリジナル)

Semi-supervised community detection methods are widely used for identifying specific communities due to the label scarcity. Existing semi-supervised community detection methods typically involve two learning stages learning in both initial identification and subsequent adjustment, which often starts from an unreasonable community core candidate. Moreover, these methods encounter scalability issues because they depend on reinforcement learning and generative adversarial networks, leading to higher computational costs and restricting the selection of candidates. To address these limitations, we draw a parallel between crystallization kinetics and community detection to integrate the spontaneity of the annealing process into community detection. Specifically, we liken community detection to identifying a crystal subgrain (core) that expands into a complete grain (community) through a process similar to annealing. Based on this finding, we propose CLique ANNealing (CLANN), which applies kinetics concepts to community detection by integrating these principles into the optimization process to strengthen the consistency of the community core. Subsequently, a learning-free Transitive Annealer was employed to refine the first-stage candidates by merging neighboring cliques and repositioning the community core, enabling a spontaneous growth process that enhances scalability. Extensive experiments on \textbf{43} different network settings demonstrate that CLANN outperforms state-of-the-art methods across multiple real-world datasets, showcasing its exceptional efficacy and efficiency in community detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google