通过拓扑数据分析学习动态网络中的持久社区结构
人工智能
2024-01-09 v1 机器学习
摘要
动态社区检测方法往往缺乏确保时间一致性的有效机制，阻碍了对网络演化的分析。在本文中，受短时间内最小网络拓扑变化概念的启发，我们提出了一种具有社区间结构时间一致性正则化的新型深度图聚类框架。具体而言，为解决表示崩溃问题，我们首先引入了 MFC，这是一种基于矩阵分解的深度图聚类算法，能够保留节点嵌入。基于静态聚类结果，我们构建概率社区网络并计算其持久同调（一种鲁棒的拓扑度量），以评估它们之间的结构相似性。此外，我们引入了一种新型神经网络正则化方法 TopoReg，以确保社区间结构的拓扑相似性在时间间隔内得以保持。我们的方法在具有固定和可变社区数量的真实世界数据集上增强了时间一致性和聚类准确性。这也是拓扑数据分析 (TDA) 在时间持久社区检测中的开创性应用，为网络分析领域提供了富有洞察力的贡献。代码和数据可在公共 git 仓库获取：https://github.com/kundtx/MFC_TopoReg
引用
@article{arxiv.2401.03194,
title = {Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis},
author = {Dexu Kong and Anping Zhang and Yang Li},
journal= {arXiv preprint arXiv:2401.03194},
year = {2024}
}
备注
AAAI 2024