Método de detección de comunidades semisupervisado basado en redes generativas adversariales

La detección de comunidades en redes complejas a menudo sufre de datos insuficientes y de una utilización limitada del conocimiento previo. En este artículo proponemos el "Red Generativa Adversarial Semisupervisada" (GANSE), un algoritmo novedoso que integra Redes Generativas Adversariales (GANs) y aprendizaje semisupervisado para abordar estos desafíos. Este método aborda los problemas mencionados a través de un proceso de múltiples pasos. Inicialmente, la red se reconfigura utilizando métricas de similitud de vértices, mejorando así su integridad estructural. Posteriormente, se diseña un modelo novedoso de red generativa adversarial, y nuestro modelo facilita la reconstrucción de la red, dando lugar a particiones. Estas forman la base para identificar comunidades centrales. Además, el coeficiente de agrupamiento local se incorpora como una señal de recompensa y se inyecta en el proceso de selección de nodos. Además, los nodos aislados se redistribuyen, culminando en la derivación de la estructura final de la comunidad. Los resultados experimentales en cuatro grandes conjuntos de datos de la vida real demuestran la clara superioridad del algoritmo propuesto en términos de métricas de F1 y Jaccard en comparación con los algoritmos existentes. Notablemente, nuestro método GANSE supera a los algoritmos tradicionales en redes con "datos faltantes". Así, muestra su robustez y eficacia en conjuntos de datos incompletos del mundo real. Nuestros hallazgos destacan el potencial de las GANs y el aprendizaje semisupervisado para mejorar la precisión de la detección de comunidades en redes complejas.