Un marco versátil para la agrupación de redes atribuídas a través de la ampliación de K-vecinos más cercanos

Las redes atribuídas que contienen información específica de entidades en los atributos de los nodos son omnipresentes en el modelado de redes sociales, comercio electrónico, bioinformática, etc. Su topología de red inherente varía desde gráficos simples hasta hipergráficos con interacciones de alto orden y gráficos multiplex con capas separadas. Una tarea importante en la minería de gráficos es la agrupación de nodos, que tiene como objetivo particionar los nodos de una red atribuida en k clústeres disjuntos de manera que los nodos intra-clúster estén estrechamente conectados y compartan atributos similares, mientras que los nodos inter-clúster estén alejados y sean disímiles. Es muy desafiante capturar conexiones de múltiples saltos a través de nodos o atributos para una agrupación efectiva en múltiples tipos de redes atribuídas. En este documento, primero presentamos AHCKA como un enfoque eficiente para la agrupación de hipergráficos atribuídos (AHC). AHCKA incluye una estrategia de ampliación de K-vecinos más cercanos cuidadosamente diseñada para la explotación optimizada de la información de atributos en hipergráficos, un modelo de paseo aleatorio en hipergráfico conjunto para idear un objetivo efectivo de AHC, y un solucionador eficiente con técnicas de aceleración para la optimización del objetivo. Las técnicas propuestas son extensibles a varios tipos de redes atribuídas, y así, desarrollamos ANCKA como un marco versátil para la agrupación de redes atribuídas, capaz de realizar agrupación de gráficos atribuídos (AGC), agrupación de gráficos multiplex atribuídos (AMGC) y AHC. Además, diseñamos ANCKA con diseños algorítmicos adaptados para la aceleración por GPU para aumentar la eficiencia. Hemos llevado a cabo extensos experimentos para comparar nuestros métodos con 19 competidores en 8 hipergráficos atribuídos, 16 competidores en 6 gráficos atribuídos y 16 competidores en 3 gráficos multiplex atribuídos, todos demostrando la excelente calidad de agrupación y eficiencia de nuestros métodos.