LSCPM：基于Clique Percolation Method处理大规模链接流中的社区
计算机视觉与模式识别
2023-10-02 v3 人工智能
机器学习
摘要
社区检测是理解静态网络中相互作用组织结构的流行方法。为此 purpose，Clique Percolation Method（CPM），涉及k-clique的渗透，是一种已研究多年的技术，具有多种优势。此外，研究随时间发生的相互作用在各种情境中都有用处，可以由链接流形式化模型。已提出Dynamic Clique Percolation Method（DCPM）用于将CPM扩展到时序网络。然而，现有实现无法处理大规模数据集。我们提出了一种新算法，将CPM适应用于链接流，该算法具有优势，能够相对于现有DCPM方法加快计算时间。我们在实验中对其进行评估，并在真实数据集上表明其能够扩展到大规模链接流。例如，它允许在仅用二十五分钟内获得具有三千万链接的数据集的完整社区集合，而该数据集是当前最先进方法在一周计算后甚至都无法实现的。我们进一步表明，该方法提供的社区与DCPM类似，但略显更聚集。我们展示了在真实世界案例中获得的社区的相关性，并表明它们提供了关于链接流中顶点重要性的信息。
引用
@article{arxiv.2307.00398,
title = {ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models},
author = {Uddeshya Upadhyay and Shyamgopal Karthik and Massimiliano Mancini and Zeynep Akata},
journal= {arXiv preprint arXiv:2307.00398},
year = {2023}
}
备注
ICCV 2023