Silencer：通过静噪噪声像素实现鲁棒社区检测
社会与信息网络
2024-12-24 v1
摘要
真实世界网络携带各种噪声，给社区检测带来诸多挑战。进一步提高社区检测的性能和鲁棒性已引起广泛关注。本文考虑边噪声，它导致网络中的边被添加或删除。现有方法通过链路预测或低特征向量中的鲁棒性实现图去噪。然而，它们要么应用场景有限，要么有效性不确定。我们发现邻接矩阵中的噪声像素在损失函数中占有一定比例，这使得社区检测模型的优化严重偏离正确方向。因此，我们设计了一个灵活的框架来静默噪声像素对损失函数的贡献，称为Silencer。我们以非负矩阵分解(NMF)和深度NMF方法为例，因为它们是社区检测的主要模型。我们首先证明了Silencer在NMF中的收敛性。与现有方法相比，Silencer在六个真实世界网络（包含随机噪声、对抗扰动和混合噪声）中表现出最佳性能。此外，Silencer在随机(ER)、无标度(BA)和小世界(WS)网络上均有效，且改进效果按ER、BA、WS网络顺序逐渐不显著。
引用
@article{arxiv.2412.17412,
title = {Silencer: Robust Community Detection by Silencing of Noisy Pixels},
author = {Kai Wu and Ziang Xie and Jing Liu},
journal= {arXiv preprint arXiv:2412.17412},
year = {2024}
}