مقاله #430

تشخیص جامعه یک کار اساسی در تجزیه و تحلیل شبکه است. برنامه های کاربردی روی شبکه های گسترده پویا نیاز به راه حل های کارآمد تر دارند و منجر به تشخیص جامعه تدریجی می شوند که انتساب های جامعه ناشی از رئوس جدید یا تغییر یافته را در طول بروز رسانی های شبکه، بازبینی می کنند. در این مقاله، ما استفاده از طبقه بند های یادگیری ماشین را برای پیش بینی راس ها پیشنهاد می کنیم که باید برای اصلاح انتساب های جامعه بازرسی شوند. هدف از این رویکرد بازبینی هدفمند مبتنی بر یادگیری (LBTR) بهبود بهره وری تشخیص جامعه با فیلتر کردن رئوسِ بدون تغییر است. در این مقاله، ما ویژگی هایی طراحی می کنیم که می توانند برای طبقه بندی کارآمد هدف و تجزیه و تحلیل پیچیدگی زمانی چارچوب ما استفاده شوند. ما آزمایش هایی بر روی دو مجموعه داده دنیای واقعی انجام  می دهیم، که نشان می دهد رویکرد LBTR ما باعث کاهش زمان محاسبات می شود در حالی که کیفیت تشخیص جامعه را بالا نگه می دارد. علاوه بر این، در مقایسه با رویکردهای معیار شناخته شده، ما دریافتیم که عملکرد رویکرد ما در شبکه های در حال رشد و شبکه هایی با حذف راس / لبه، پایدار است. آزمایش ها نشان می دهد که روش پیشنهادی ما دقت طبقه بندی هدف را افزایش می دهد در حالی که "پارامتر فراخوانی" را در یک سطح معقول نگه می دارد. این مطالعه یک چشم انداز منحصر به فرد در تشخیص جامعه تدریجی فراهم می کند.