因此,深度学习填平了传统方法在社区发现中存在的关键短板。为了实现这一目标,近年来的工作指出了一些具有前景的研究方向:将深度学习模型应用于社区发现,以及基于社区的特性修改深度学习模型。将深度学习应用于社区发现的前景可以被表述为: (1)通过深度学习模型提升社区发现方法的性能; (2)从对于深度学习至关重要的特征维...
武汉大学、澳大利亚 CSIRO 实验室、天津大学、伊利诺伊大学芝加哥分校共同发表了题为「A Comprehensive Survey on Community Detection with Deep Learning」的综述论文,该论文是对该团队于 IJCAI 2020 上发表的论文「Deep Learning for Community Detection: Progress, Challenges and Opportunities」的扩展,详细综述了基于深...
而基于深度学习社区发现和GAN方法的结合主要由GAN来生成假的拓扑结构、节点embedding或者社区隶属来进行博弈调优,从而得到最优的社区特征。 DR-GCN(Dual Regularized Graph Convolutional Networks) par.nsf.gov/servlets/pu【2020】 对于不平衡社区发现(有的社区大,有的社区小),DR-GCN算法首先通过两层的半监督GCN来生...
该综述囊括了基于深度学习的社区发现最新方法,并将其分为六大类:基于卷积网络的方法、基于图注意力网络(GAT)的方法、基于生成对抗网络(GAN)的方法、基于自动编码器(AE)的方法、基于深度非负矩阵分解(DNMF)的方法、基于深度稀疏滤波(DSF)的方法。此外,该综述总结了相应的基准数据集、评估指标和开源代码,概述了深度...
基于深度学习的社区发现方法 下载积分: 1500 内容提示: 摘要 信息技术的发展和普及将人们带入 了一 个网 络新时代, 生活中越来越多的系 统都 可以抽 象成为 复杂 网络, 复杂网络的研宄也成为了信息领域的热点。社区结构是复杂 网络的重要特征 之一, 发现复杂网络的社区 结构有 助于对网络特性和隐含规律的...
本文基于深度学习方法,围绕着非线性提取缺陷,离群子社区描述和分布式并行等问题,提出了社区发现的算法及其改进方案,主要工作如下:第一,针对现有社区发现算法对非线性特征提取的缺陷,本文提出了基于深度学习的社区发现算法.本方法结合了卷积神经网络和自动编码器的优点,构建了一个深度网络卷积—自动编码器.本模型能够较好...
社区结构是复杂网络的重要特征之一,社区发现对研究网络结构有重要的应用价值.k-均值等经典聚类算法是解决社区发现问题的一类基本方法.然而,在处理网络的高维矩阵时,使用这些经典聚类方法得到的社区往往不够准确.提出一种基于深度稀疏自动编码器的社区发现算法CoDDA(a community detection algorithm based on deep sparse au...
网络中的社区指的是一组由节点以及与其相连的边紧密地形成的实体。社区发现旨在遵循「社区中的节点紧密相连,不同社区间的节点稀疏相连」的规则对实体集合进行聚类。包括谱聚类、统计推断在内的传统社区发现方法在处理高维图数据时存在计算速度的问题。因此,近年来,深度学习方法被广泛地应用。
directly.%社区结构是复杂网络的重要特征之一,社区发现对研究网络结构有重要的应用价值.k-均值等经典聚类算法是解决社区发现问题的一类基本方法.然而,在处理网络的高维矩阵时,使用这些经典聚类方法得到的社区往往不够准确.提出一种基于深度稀疏自动编码器的社区发现算法CoDDA(a community detection algorithm based on deep...
1.一种结合深度稀疏编码器和拟牛顿法的社区发现分析方法,其特征在于,包括步骤: 针对网络图G=(V,E),V={v1,v2,…vi,…vn},其中V代表网络图G中的节点集,E代表网络图G中的边集,vi代表网络图G中的节点,n为节点数量,求得网络图G的邻接矩阵的相似度矩阵S; 将所述相似度矩阵S作为输入,利用深度稀疏自动编码...