基于GCN的无监督社区检测,精细的结构中心和扩展的伪标签集
Bing Guo1, Liping Deng2, Tao Lian3
1Department of Computer Science and Technology, Taiyuan Normal University, Jinzhong, Shanxi, China.
PloS one
|July 1, 2025
概括
本研究介绍了RE-GCN,这是一种用于无监督社区检测的新型图形卷积网络 (GCN) 方法. 它改进了结构中心,并扩展了伪标签集,以改进图形分析和社区发现.
科学领域:
- 图形理论是指图形的理论.
- 网络分析 网络分析
- 机器学习 机器学习
背景情况:
- 社区检测对于理解图形结构数据至关重要.
- 图形卷积网络 (GCN) 提供无监督的社区检测,但严重依赖初始中心,并且标签传播有限.
- 浅层GCN由于局部过而难以在整个图表中传播有限的标签信息.
研究的目的:
- 开发一种改进的基于GCN的无监督社区检测方法 (RE-GCN).
- 为了解决GCN对初始结构中心的敏感性.
- 提高浅层GCN的标签传播能力,以便更有效地检测社区.
主要方法:
- RE-GCN通过交替在GCN分区和更新中心之间根据子图的重要性来代地改进结构中心.
- 它通过选择具有与其结构中心相似的关联强度的节点来扩展伪标签集.
- 该方法整合了网络拓和节点属性,用于社区检测.
主要成果:
- 改进过程产生了更多具有代表性的结构中心.
- 扩大伪标签集显著提高了GCN在社区检测中的性能.
- 在赋值和非赋值网络上,RE-GCN表现出有效性.
结论:
- RE-GCN通过完善结构中心和扩大伪标签数据,为无监督社区检测提供了强大的方法.
- 该方法克服了传统GCN在处理初始中心灵敏度和标签传播方面的局限性.
- 拟议的技术提高了复杂网络中社区检测的准确性和可靠性.
