基于最大熵分区和重正规化群的层次化社区检测

跨尺度识别有意义结构是网络科学的核心挑战之一。我们提出层次化社区检测熵（Hierarchical Clustering Entropy, HCE），一个通用且不依赖模型的框架，用于检测层次化社区结构中的信息性尺度。不同于现有方法，HCE直接作用于树状图谱，无需依赖边级统计。它选择最大化社区规模分布熵与社区数量之间原则性权衡的分辨率水平，对应结构异质性的尺度。这一准则适用于由广泛聚类算法和距离度量（包括模块化基和相关性基方法）生成的树状图谱。我们在具有不同层次程度、规模不平衡和噪声水平的合成基准（包括LFR和对称/非对称多尺度模型）上进行评估，表明其始终能识别与真实结果高度一致的分区。应用于社交和神经科学系统的真实网络，HCE揭示了与已知结构和功能组织相吻合的可解释模块层次。作为一种可扩展且原则的方法，HCE为跨领域的层次化社区检测提供了通用方法，潜在可用于生物学、社会学和技术系统。