Amélioration des techniques de régularisation de modularité pour estimer des structures dans des réseaux complexes

Les systèmes complexes dans le monde réel ont des réseaux qui diffèrent significativement des graphes aléatoires et présentent des structures non triviaux. En fait, ils ont une structure communautaire qui doit être reconnue et retrouvée. Les modèles de bloc stochastiques (MBS) sont des modèles populaires pour la détection de communautés dans les réseaux, où les nœuds sont divisés en groupes en fonction de leurs schémas de connectivité. L'estimation du maximum de vraisemblance est une méthode courante pour estimer les paramètres des MBS. Dans cet article, une sélection de modèle pour les modèles de bloc stochastiques est présentée, basée sur l'optimisation de la fonction de log-vraisemblance pour trouver le meilleur nombre de communautés K détectées par la méthode de maximisation de modularité convexe régularisée. Ce travail traite de nombreuses hypothèses sur K, car il est nécessaire d'étudier le comportement du réseau et le meilleur K optimal est supposé pour sélectionner la meilleure partition selon le critère AIC, BIC. La méthode de sélection de modèle proposée est présentée dans un algorithme qui est implémenté pour des réseaux réels et synthétiques. Cette méthode permet la détection de réseaux avec de petites communautés qui sont plus susceptibles de fournir un meilleur ajustement aux données observées.