.png){kind=icon}
返回
Contrastive Learning for Multi-Layer Network Community Detection via Learnable Network Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3570354.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多层数据网络中的社区检测对于揭示实体功能以及理解其跨维度的连接至关重要。然而，现有的半监督方法通常依赖人工标签，导致在结构复杂的网络中产生巨大的计算开销。此外，无监督和自监督方法通常难以整合网络的内层与跨层特征，以及局部与全局特征，从而限制了检测精度。为解决这些挑战，本文提出了一种自监督的**NACC**（Network Augmentation Contrastive Constraint）方法用于多层数据网络社区检测。该方法借助网络增强和对比学习的思想，基于数据集中包含的丰富特征检测社区结构。具体而言，NACC首先整合多层数据网络的内层与跨层特征，生成可学习的特征增强网络；随后编码节点和拓扑特征，捕捉局部与全局特征，并为多层数据网络和增强网络生成低维节点表示。此外，该方法提出在不同层之间进行对比学习训练上述节点表示，以进一步强化特征融合。最后，基于训练后的节点表示检测共识社区。大量实验表明，NACC在处理层数众多且结构复杂的网络时表现出色，展示了其在实际应用中的可靠性。
Keyword:
Multi-layer network
network augmentation
contrastive learning
community detection
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
A graph convolutional fusion model for community detection in multiplex networks用于多重网络社区检测的图卷积融合模型
PREAI
分享收藏
查看更多内容