A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection

要約

構造が重複するネットワークでのコミュニティの検出は、特にトポロジー、ノード属性、および以前の情報を統合する騒々しい現実世界環境で重要であるという重要な課題のままです。
これに対処するために、グラフマルチヘッドの注意とモジュール性の最大化を組み合わせて、重複するコミュニティを堅牢に検出する半検証グラフオートエンコーダーを提案します。
このモデルは、構造、属性、および事前知識を融合させ、ノード機能のノイズに明示的に対処することにより、セマンティック表現を学習します。
主要な革新には、騒音耐性アーキテクチャと、モジュール性の制約を通じてコミュニティの品質に最適化されたセマンティックなセミスパビゼーションされた設計が含まれます。
実験は優れたパフォーマンスを示しています。モデルは、コミュニティの検出（NMIおよびF1スコアの改善）の重複の最先端の方法よりも優れており、ノイズを属性に属性に並べ替えて、60 \％の特徴の腐敗の下で安定したパフォーマンスを維持します。
これらの結果は、複雑なネットワークでの正確なコミュニティ発見のための属性セマンティクスと構造パターンを統合することの重要性を強調しています。

要約(オリジナル)

Community detection in networks with overlapping structures remains a significant challenge, particularly in noisy real-world environments where integrating topology, node attributes, and prior information is critical. To address this, we propose a semi-supervised graph autoencoder that combines graph multi-head attention and modularity maximization to robustly detect overlapping communities. The model learns semantic representations by fusing structural, attribute, and prior knowledge while explicitly addressing noise in node features. Key innovations include a noise-resistant architecture and a semantic semi-supervised design optimized for community quality through modularity constraints. Experiments demonstrate superior performance the model outperforms state-of-the-art methods in overlapping community detection (improvements in NMI and F1-score) and exhibits exceptional robustness to attribute noise, maintaining stable performance under 60\% feature corruption. These results highlight the importance of integrating attribute semantics and structural patterns for accurate community discovery in complex networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google