面向真实符号图的挫折指数缩放与对应平衡态发现
社会与信息网络
2025-01-16 v3 组合数学
摘要
符号图网络的结构平衡建模展示了如何对冲突源进行建模。最先进的方法聚焦于计算符号图的挫折指数（frustration index），这是解决社交与传感器网络及科学建模中问题的关键一步。现有提出的方法无法扩展到具有数千万顶点和边的超大规模符号网络。本文提出两种高效算法：基于树的 graphBpp 与基于梯度下降的 graphL。我们表明，在发现任意网络规模的平衡态方面，两种算法在效率与有效性上均优于最先进方法。我们首次对精确方法、基于树的方法与基于梯度下降的方法在大型图上进行了比较。对于大型符号图，这些方法的加速比约为比最先进方法快 300+ 倍。我们发现精确方法仅在小图上擅长最优地找出挫折指数。graphBpp 以精度为代价将此近似扩展到大型符号图。graphL 以选择恰当的变量初始化与超参数调优为代价，产生具有更低挫折指数的状态。
引用
@article{arxiv.2311.00869,
title = {Scaling Frustration Index and Corresponding Balanced State Discovery for Real Signed Graphs},
author = {Muhieddine Shebaro and Jelena Tešić},
journal= {arXiv preprint arXiv:2311.00869},
year = {2025}
}