简单而有效的启发式社区检测与图形卷积网络

科学领域:

• 图形神经网络的神经网络
• 网络科学 网络科学
• 机器学习 机器学习

背景情况:

• 现有的图形神经网络 (GNN) 社区检测方法通常需要预先定义社区的数量,引入偏差和复杂性.
• 当前的算法经常依赖于对比的目标或数据增强,增加超参数和计算开销.
• 这些局限性阻碍了深度学习方法用于社区检测的效率和通用性.

研究的目的:

• 为GNN开发一个适应性社区检测框架,消除了对预先指定社区号码的需求.
• 通过消除对比学习和数据增强依赖,简化培训过程.
• 提高社区检测在图形数据中的质量,效率和准确性.

主要方法:

• 引入了一种适应性检测方法,以确定高质量的结构性社区作为全球参考.
• 提出了一个用于建模节点-社区关系的新机制,整合全球,本地和属性信息.
• 应用了重建的软模块化损失,用于端到端优化节点-社区关系.

主要成果:

• 拟议的框架证明了在多个图形数据集中卓越的检测效率和具有竞争力的准确性.
• 与传统和最近的深度学习方法相比,这种方法显著降低了培训复杂性和先前的依赖性.
• 该方法有效地增强了社区结构,而不依赖于数据增强或对比学习.

结论:

• 适应性GNN框架为高质量的社区检测提供了一个高效和轻量级的解决方案.
• 消除预先指定的社区号码和对比学习,在保持性能的同时简化了这个过程.
• 这种方法为在复杂网络中推进无监督社区检测提供了一个有希望的方向.