使用简化网络极值集成学习（RenEEL）的复杂网络社区检测极值统计

可以说，网络科学中最基本的问题是在复杂网络中发现结构。一种方法是将节点划分为比随机网络中预期连接更紧密的社区。“那个”社区结构则对应于最大化模块度（一种量化此想法的目标函数）的划分。然而，找到最大化划分是一个计算困难的 NP 完全问题。我们探索使用最近引入的机器学习算法方案来寻找基准网络的结构。该方案称为 RenEEL，它创建 $K$ 个划分的集成，并通过分析简化网络找到的 $L$ 个划分中的最佳者替换其最差成员来更新集成。更新持续进行，直到集成内达成共识。我们对三个真实世界网络进行了实证研究，以探索共识划分的模块度如何依赖于 $K$ 和 $L$ 的值，并将结果与破纪录的极值统计联系起来。我们发现，对于找到最佳划分，增加 $K$ 通常比增加 $L$ 更有效。