预训练与精炼：面向无K值社区检测的高效方法

社区检测（CD）是一种经典的图推理任务，将图的节点划分为密集连接的组。虽然已提出许多CD方法，么要么在质量上表现突出，要么在效率上表现出色，但在两者之间取得平衡仍然是一个挑战。本研究探索了深度图学习在K值无关CD中实现质量与效率之间更好权衡的潜力。我们提出了PRoCD（Pre-training & Refinement for Community Detection），这是一种简单而有效的方法，将K值无关CD重新表述为节点对的二元分类。PRoCD遵循受近期预训练技术启发的预训练与精炼范式。我们首先在覆盖 various 拓扑属性的小型合成图上进行离线预训练。基于图上的归纳推理，然后将预训练模型（带固定参数）推广到大型真实图上，并将推导出的CD结果作为现有高效CD方法（如InfoMap）进一步精炼CD结果的初始化。除了从质量transferability方面受益外，线上generalization与精炼也有助于实现高推理效率，因为不存在耗时的模型优化。Various规模的公开数据集上的实验表明，PRoCD可以在不显著质量下降的情况下确保K值无关CD的更高效率。