基于多分辨率特征与图对比学习的多层网络社区检测方法MFGCL

《IEEE Transactions on Big Data》：Clustering of Multi-Layer Networks With Multi-Resolution Feature and Graph Contrastive Learnings

　　

摘要：

多层网络通过整合节点、边和层之间的多种交互，有效刻画了自然界和社会中的复杂系统。多层网络中的聚类分析能够准确建模此类系统，对于揭示这些系统的机制具有重要意义。目前大多数算法受到批评，要么忽略了层间的内在关系，要么无法识别共同社区，而且很少有研究关注在多个分辨率下检测特定的社区网络。为了解决这些问题，提出了一种用于多层网络聚类的新型多分辨率特征与图对比学习（称为MFGCL），该方法同时整合了多分辨率特征学习、亲和图学习和图对比学习，其中前两个步骤学习顶点的多分辨率特征和图的结构，最后一步从亲和图中学习自监督信息以提高特征质量。最后，MFGCL将所有这些步骤结合到一个目标函数中，并推导出优化规则。实验结果表明，MFGCL不仅显著优于基线模型，还增强了算法的鲁棒性，为多层网络中的社区检测提供了一种有效的模型。