Czy modułowość sieci Newmana działa dla podpisanych, ważonych wykresów?


11

Modułowość wykresu jest zdefiniowana na stronie Wikipedii . W innym poście ktoś wyjaśnił, że modułowość można łatwo obliczyć (i zmaksymalizować) dla sieci ważonych, ponieważ macierz przyległości może również zawierać wartościowe powiązania. Chciałbym jednak wiedzieć, czy zadziała to również z podpisanymi, cenionymi krawędziami, na przykład od -10 do +10. Czy możesz podać intuicję, dowód lub odniesienie do tego problemu?ZAjajot

Odpowiedzi:


13

Proste uogólnienie modułowości sieci ważonych ma nie działać, jeśli są podpisane te ciężary. Mówiąc wprost, mam na myśli: po prostu użycie macierzy wagi zamiast macierzy przylegania, jak na przykład Newman w (Newman 2004) . Potrzebujesz konkretnej wersji, takiej jak cytowana przez Benjamina Linda lub (Gomez i in. 2009) .

W obu artykułach wyjaśniają przyczynę tego. Podsumowując: modułowość polega na tym, że pewne znormalizowane stopnie (lub siły w przypadku sieci ważonych) można uznać za prawdopodobieństwa. Prawdopodobieństwo, istnieje związek pomiędzy węzłami i jest szacowana przy , w którym i są odpowiednie mocnych węzłów i i jest całkowita zawartość w stosunku do wszystkich węzłów sieciowych. Jeśli niektóre wagi są ujemne, oryginalna normalizacja nie gwarantuje już wartości w [ 0 , 1 ] , więc powyższe pjajotpjapjot=wjawjot/(2)w)2)wjawjotjajotw[0,1] ilości nie można uznać za prawdopodobieństwo.pjapjot

Aby rozwiązać ten problem, Gomez i in . rozważ osobno pozytywne i negatywne linki. Otrzymują dwie różne wartości modułowości: jedną dla dodatnich łączy, drugą dla ujemnych. Odejmują to drugie od pierwszego, aby uzyskać ogólną modułowość.


Dzięki, to wygląda obiecująco. Przyjrzę się Gomezowi i in. artykuł. Czy jest implementacja?
Philip Leifeld

1
Tak, myślę, że znajdziesz kod źródłowy tutaj: deim.urv.cat/~sgomez/radatools.php
Vincent Labatut

kod wygląda na czarny do plików EXE, ale jeśli wszystko, czego potrzebujesz, to modułowość dla dodatnich i ujemnych wag, dlaczego nie po prostu (1) przekonwertować macierz na listę ważonych krawędzi, (2) podzielić listę na dodatnio i ujemnie odważniki oraz (3) obliczyć modułowość przy igraphużyciu wag bezwzględnych w każdej partycji?
ks.

To dobry pomysł, ale modułowość przetwarzana dla wag ujemnych musi być zminimalizowana, a metody w igraph wykonują tylko maksymalizację (o ile mi wiadomo). Jeśli chodzi o kod źródłowy, myślę, że masz rację. Może możesz skontaktować się bezpośrednio z jednym z autorów?
Vincent Labatut

6

Tak, może. Modele typu spin-glass do wykrywania społeczności mogą obliczać modułowość na podstawie ważonych, podpisanych wykresów. Będziesz chciał Traag i Bruggeman „Wykrywanie społeczności w sieciach z pozytywnymi i negatywnymi linkami” jako odniesienie. Funkcja „spinglass.community ()” w igraph może znaleźć społeczności i zwrócić modułowość wykresu.


Dziękuję Ci. Tak naprawdę nie interesują mnie społeczności, ale raczej tendencja podpisanej sieci do spolaryzowania / rozdrobnienia na społeczności. Ale o ile widzę, modułowość można odzyskać z wynikowego communitiesobiektu za pomocą modularityfunkcji. Na pewno przyjrzę się artykułowi Traag i Bruggeman. Ponieważ implementacja wydaje się opierać na symulowanym wyżarzaniu: jak dobrze działa? Czy rzeczywiście mogę się upewnić, że algorytm naprawdę zwraca optymalną modułowość (ponieważ chcę zmierzyć polaryzację / fragmentację)?
Philip Leifeld

3

W tym artykule zwróciliśmy uwagę na problem funkcji modułowych [podobnych] z podpisanymi sieciami . Mają tendencję do ignorowania dodatniej gęstości społeczności w miarę wzrostu bezwzględnej liczby negatywnych połączeń w sieci.

Ponadto, oto nasz projekt Java typu open source dla sieci ze znakiem ważonym, który jest oparty na modelu Constant Potts Model (podobnym do modułowości), szybkim algorytmie Louvain i ocenie społeczności na podstawie rozszerzenia równania mapy .

Esmailian, P. i Jalili, M., 2015. Wykrywanie społeczności w podpisanych sieciach: rola negatywnych więzi w różnych skalach. Raporty naukowe, 5, s. 14339

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.