Cadre pour générer des hypergraphes avec une structure communautaire

Au cours des dernières années, les hypergraphes ont émergé comme un outil puissant pour étudier des systèmes avec des interactions multibody qui ne peuvent pas être trivialement réduites en paires. Bien que des méthodes hautement structurées pour générer des données synthétiques aient prouvé être fondamentales pour l'évaluation standardisée d'algorithmes et l'étude statistique de données en réseau du monde réel, elles sont peu disponibles dans le contexte des hypergraphes. Ici, nous proposons un cadre flexible et efficace pour la génération d'hypergraphes avec de nombreux nœuds et de grandes hyperarêtes, ce qui permet de spécifier des structures communautaires générales et d'ajuster différentes statistiques locales. Nous illustrons comment utiliser notre modèle pour échantillonner des données synthétiques avec des caractéristiques souhaitées (communautés assortatives ou disassortatives, assignations communautaires mixtes ou strictes, etc.), analyser les algorithmes de détection de communautés et générer des hypergraphes structurellement similaires à des données du monde réel. En surmontant les limitations précédentes sur la génération d'hypergraphes synthétiques, notre travail constitue une avancée substantielle dans la modélisation statistique de systèmes d'ordre supérieur.