English(EN) Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering

新的分层框架改进了复杂网络中的社群检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-04 05:00

研究人员开发了三种用于复杂网络社群检测的新分层框架，利用节点相似性、图表示学习和各种聚类算法。这些框架，包括基于 Wasserman-Faust 和深度学习表示（如 DNGR）的流水线，在许多小型社群的图上，与 Leiden 和 Louvain 等最先进的方法相比，表现出有竞争力的性能。虽然以极小的质量损失产生嵌套分区具有优势，但该方法的主要限制是其时间复杂度，限制了其在个人电脑上应用于大约 10,000 个顶点的网络。 AI

排序理由该集群包含一篇详细介绍复杂网络社群检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 29 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍复杂网络社群检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · {\L}ukasz Brzozowski, Grzegorz Siudem, Marek Gagolewski · 2026-11-04 05:00

通过节点相似性、图表示学习和层次聚类实现复杂网络中的社群检测

arXiv:2303.12212v3 Announce Type: replace-cross Abstract: Community detection is a significant challenge in analysing real graphs, including social, citation, biological, and many other networks. This article proposes three new, general, hierarchical frameworks to deal with this …

本文如何被排名

报道来源 [1]

通过节点相似性、图表示学习和层次聚类实现复杂网络中的社群检测

相关实体

相关话题