Публикации

Мы исследуем вдвойне жадный подход к проблеме обнаружения сообществ в многофункциональных сетях. В соответствии с этим подходом, данные как сети, так и характеристики сразу восстанавливаются из лежащих в основе неизвестных неперекрывающихся сообществ, снабженных центром в пространстве признаков и весами интенсивности по сети. Наш аддитивный критерий наименьших квадратов позволяет нам искать сообщества одно за другим и находить каждое сообщество, добавляя объекты одну за другой. Основное внимание в этой статье уделяется преобразованию части данных пространственных объектов в формат матрицы сходства. Значения подобия / связи могут использоваться в любом из двух режимов: (а) при измерении в одной шкале, чтобы можно было осмысленно сравнивать и суммировать значения сходства по всей матрице сходства (режим суммирования), и (б) значения сходства. в одном столбце не следует сравнивать со значениями в других столбцах (режим несуммируемости). Две входные матрицы и два режима приводят нас к разработке четырех различных алгоритмов итеративного извлечения сообществ из данных сходства (ICESi), которые автоматически определяют количество сообществ. Наши эксперименты с реальными и синтетическими наборами данных показывают, что эти алгоритмы действительны и конкурентоспособны.

Многофункциональная сеть - это сеть, узлы которой характеризуются категориальными или количественными характеристиками. Мы предлагаем управляемую данными модель для поиска раздела узлов для аппроксимации как данных сетевого канала, так и данных функций. Модель включает сводные количественные характеристики как сетевых ссылок, так и функций. Мы различаем два режима использования данных сетевого канала. В одном из режимов постулируется, что значения ссылок сопоставимы и суммируются по сети (суммируемость); другое предположение моделирует случай, когда разные узлы представляют разные системы измерения, так что данные канала нельзя ни сопоставить, ни суммировать по разным узлам (несуммируемость). Мы выводим пифагоровское разложение объединенного разброса данных с использованием нашего критерия наименьших квадратов восстановления данных. Мы обращаемся к эквивалентной проблеме максимизации его дополнительной части, вклада найденного раздела в объединенный разброс данных. Мы следуем вдвойне жадной стратегии, чтобы максимизировать это. Во-первых, сообщества обнаруживаются одно за другим, а во-вторых, объекты добавляются одно за другим в процессе идентификации сообщества. Наши алгоритмы автоматически определяют количество кластеров. У версии о несуммируемости оказывается своя ниша; кроме того, он быстрее, чем другая версия. В наших экспериментах они оказались конкурентоспособными по сравнению с сгенерированными наборами синтетических данных и шестью наборами реальных данных из литературы.