Deep community detection in topologically incomplete networks
Deep community detection in topologically incomplete networks
复制标题
拓扑不完整网络中的深度社区检测
DOI：
10.1016/j.physa.2016.11.029
复制
发表时间：
2017-03
影响因子：
3.3
通讯作者：
Wang Boyang
中科院分区：
文献类型：
--
作者：
Xin Xin;Wang Chaokun;Ying Xiang;Wang Boyang
在本文中，我们考虑的问题，发现社区的拓扑不完整的网络（TIN），这通常是从现实世界的网络和一些边缘丢失。现有的社区检测方法总是将输入网络视为连通网络。然而，或多或少，甚至几乎所有的边缘在现实世界的应用中，例如蛋白质-蛋白质相互作用网络中缺失。显然，在这些观察到的TIN中有效地发现社区是一个很大的挑战。然后，我们设计了一个结构化的深度卷积神经网络（CNN）模型，以更好地检测TIN中的社区。通过逐渐去除现实世界网络的边缘，我们在各种现实世界网络上展示了结构化深度模型的有效性和鲁棒性。此外，我们发现，适当的选择跳数可以在一定程度上提高我们的深度模型的性能。最后，在合成数据集上进行的实验结果也显示了我们提出的深度CNN模型的良好性能。
In this paper, we consider the problem of detecting communities in topologically incomplete networks (TIN), which are usually observed from real-world networks and where some edges are missing. Existing approaches to community detection always consider the input network as connected. However, more or less, even nearly all, edges are missing in real-world applications, e.g. the protein–protein interaction networks. Clearly, it is a big challenge to effectively detect communities in these observed TIN.At first, we bring forward a simple but useful method to address the problem. Then, we design a structured deep convolutional neural network (CNN) model to better detect communities in TIN. By gradually removing edges of the real-world networks, we show the effectiveness and robustness of our structured deep model on a variety of real-world networks. Moreover, we find that the appropriate choice of hop counts can improve the performance of our deep model in some degree. Finally, experimental results conducted on synthetic data sets also show the good performance of our proposed deep CNN model.
登录
查看更多内容
影响因子：
2.4
作者：
Raghavan, Usha Nandini;Albert, Reka;Kumara, Soundar
通讯作者：
Kumara, Soundar
DOI：
10.1088/1751-8113/44/49/495102
发表时间：
2011-09
期刊：
Journal of Physics A: Mathematical and Theoretical
影响因子：
--
作者：
B. Yan;Steve Gregory
通讯作者：
B. Yan;Steve Gregory
DOI：
10.1088/1742-5468/2005/09/p09008
发表时间：
2005-09-01
影响因子：
2.4
作者：
Danon, L;Díaz-Guilera, A;Arenas, A
通讯作者：
Arenas, A
影响因子：
8.6
作者：
Nadakuditi, Raj Rao;Newman, M. E. J.
通讯作者：
Newman, M. E. J.
影响因子：
64.8
作者：
Jeong, H;Mason, SP;Oltvai, ZN
通讯作者：
Oltvai, ZN