基于机器学习的社区检测目标函数选择
社会与信息网络
2022-03-28 v1 机器学习
摘要
NECTAR（一种以节点为中心的重叠社区检测算法）由 Cohen 等人于 2016 年提出，它根据所调用的网络动态地在两个待优化的目标函数之间进行选择。如 Cohen 等人所示，该方法优于六种最先进的重叠社区检测算法。在这项工作中，我们提出了 NECTAR-ML，即 NECTAR 算法的扩展，它使用基于机器学习的模型来自动选择目标函数，并在由 15,755 个合成网络和 7 个真实网络组成的数据集上进行了训练和评估。我们的分析表明，在约 90% 的情况下，我们的模型能够成功选择正确的目标函数。我们对 NECTAR 和 NECTAR-ML 进行了竞争性分析。结果表明，NECTAR-ML 显著优于 NECTAR 选择最佳目标函数的能力。我们还对 NECTAR-ML 和另外两种最先进的多目标社区检测算法进行了竞争性分析。NECTAR-ML 在平均检测质量方面优于这两种算法。多目标进化算法（MOEAs）被认为是求解多目标问题（MOP）最流行的方法，而 NECTAR-ML 显著优于它们的事实证明了基于 ML 的目标函数选择的有效性。
引用
@article{arxiv.2203.13495,
title = {Machine-Learning Based Objective Function Selection for Community Detection},
author = {Asa Bornstein and Amir Rubin and Danny Hendler},
journal= {arXiv preprint arXiv:2203.13495},
year = {2022}
}