روشي براي بهبود تشخيص جوامع در گراف‌هاي ناهمگن با شبيه‌سازي‌ در شبكه‌هاي عصبي مصنوعي

A method to improve community detection in heterogeneous graphs by simulation in artificial neural networks

خوشه‌بندي طيفي، يكي از محبوب‌ترين روش‌هاي شناسايي جامعه بر روي گراف‌ها است كه هنوز به طور كامل شناخته نشده است. در اين مقاله، خوشه‌بندي طيفي براساس ماتريس Hr=r2-1In+D-rA، در گراف‌هاي ناهمگن پراكنده، با استفاده از مدل بلوك تصادفي تصحيح شده در يك محيط دو كلاسه، مورد بررسي قرار گرفته‌است. نتايج، نشان مي دهد كه خوشه بندي براي يك مقدار مشخص از r=ζ، از ناهمگني درجه، تاثير نمي پذيرد. در نهايت، به بررسي بردار ويژه اطلاعاتي H_ζ ، در نتيجه پيش بيني دقت خوشه بندي و بررسي كلي تعميم بيش از دو كلاس، همراه با شبيه‌سازي‌هاي گسترده در شبكه‌هاي عصبي مصنوعي و واقعي پرداخته شده است.