[论文解读] Spiking spin-glass models for label propagation and community detection

Kathleen E. Hamilton, Travis S. Humble|arXiv (Cornell University)|Jan 10, 2018

Advanced Memory and Neural Computing被引用 3

一句话总结

该论文提出了一种脉冲自旋玻璃模型，用于在无向无权图中进行标签传播和社区检测，采用全连接的、边加权的脉冲神经元网络。该方法将脉冲响应解码为二进制信号，通过汉明距离计算相似性，并在无需预训练的情况下对顶点进行社区分类，在包含128个顶点且社区规模各异的图上表现出有效性。

ABSTRACT

In this paper we present results from a method of community detection using label propagation in undirected, unweighted graphs which incorporates elements of neural computing and spike-based data. Using a fully connected, edge-weighted system of spiking neurons driven by external currents, we generate spike responses that are decoded into a binary signal. The similarity between pairs of signals is quantified using a Hamming-distance based metric and is used to classify vertices into communities. We test our approach on a set of graph instances, each with 128 vertices and either homogeneous or heterogeneous community size distributions. We present our method as a candidate for a split-computing workflow that incorporates neuromorphic hardware and does not require extensive pre-training of network parameters.

研究动机与目标

• 开发一种利用脉冲神经动力学和类脑原理的社区检测方法，以实现高效的图分析。
• 解决在社区规模分布异质或同质的图中检测社区的挑战，且无需大量参数调优。
• 设计一种支持与类脑硬件架构兼容的拆分计算工作流的系统。
• 探索基于脉冲信号解码和汉明距离相似性作为无向图中社区分类基础的可行性。

提出的方法

• 使用全连接的、边加权的脉冲神经元网络，其中每个神经元代表图中的一个顶点。
• 外部电流驱动脉冲神经元，基于网络动力学生成时间序列的脉冲响应。
• 将脉冲响应解码为二进制信号，用于后续的相似性计算。
• 通过应用于二进制信号的基于汉明距离的度量方法，量化顶点对之间的相似性。
• 通过基于汉明距离的高相似性分数对顶点进行分组，完成社区分类。
• 该方法设计为无需训练，避免了对网络参数进行预训练的需求。

实验结果

研究问题

• RQ1 具有基于脉冲动力学的脉冲神经网络模型能否有效实现无向图中的社区检测标签传播？
• RQ2 基于脉冲响应推导出的基于汉明距离的相似性度量方法，在准确性和鲁棒性方面与传统社区检测度量相比如何？
• RQ3 该方法在社区规模分布同质和异质的图中，检测社区的能力达到何种程度？
• RQ4 所提出的模型能否在无需预训练的情况下，通过类脑硬件实现拆分计算工作流？

主要发现

• 该方法仅依赖脉冲响应动力学和基于汉明距离的相似性，无需参数预训练，成功将顶点分类为社区。
• 该方法在包含128个顶点且社区规模分布同质或异质的图实例上表现出稳健性能。
• 基于脉冲的解码和汉明距离的结合，有效实现了顶点对之间相似性的量化，适用于社区分配。
• 该模型与类脑硬件兼容，并支持拆分计算工作流，减少了对传统深度学习训练流水线的依赖。