[论文解读] Transfer Learning Based Multi-Objective Genetic Algorithm for Dynamic Community Detection

Jungang Zou, Fan Lin+4 more|arXiv (Cornell University)|Sep 30, 2021

Complex Network Analysis Techniques参考文献 23被引用 4

一句话总结

本文提出了一种基于迁移学习的多目标遗传算法（TMOGA），用于演化网络中的动态社区检测。通过利用过去社区结构中的稳定特征，并将其整合到优化过程中，TMOGA 同时最大化聚类准确率并最小化连续快照之间的结构变化，在多种动态网络场景中优于最先进方法。

ABSTRACT

Dynamic community detection is the hotspot and basic problem of complex network and artificial intelligence research in recent years. It is necessary to maximize the accuracy of clustering as the network structure changes, but also to minimize the two consecutive clustering differences between the two results. There is a trade-off relationship between these two objectives. In this paper, we propose a Feature Transfer Based Multi-Objective Optimization Genetic Algorithm (TMOGA) based on transfer learning and traditional multi-objective evolutionary algorithm framework. The main idea is to extract stable features from past community structures, retain valuable feature information, and integrate this feature information into current optimization processes to improve the evolutionary algorithms. Additionally, a new theoretical framework is proposed in this paper to analyze community detection problem based on information theory. Then, we exploit this framework to prove the rationality of TMOGA. Finally, the experimental results show that our algorithm can achieve better clustering effects compared with the state-of-the-art dynamic network community detection algorithms in diverse test problems.

研究动机与目标

• 解决在动态网络中维持高聚类准确率的同时最小化结构变化的挑战。
• 克服随时间推移社区检测中准确率与稳定性之间的权衡。
• 将历史社区结构特征整合到当前优化过程中，以提升进化算法的性能。
• 为基于信息论的动态社区检测建立理论基础。
• 在多样化的动态网络基准数据集上，展示 TMOGA 相较于现有最先进算法的优越性能。

提出的方法

• 使用迁移学习从历史社区结构中提取稳定特征，以在时间步之间保留有价值的信息。
• 将迁移得到的特征整合到多目标遗传算法的适应度评估与选择过程中。
• 将动态社区检测问题建模为一个双目标优化任务：最大化模块度（准确率）并最小化连续社区划分之间的差异。
• 提出一种新颖的信息论框架，以理论证明 TMOGA 的设计合理性与收敛行为。
• 采用非支配排序遗传算法（NSGA-II）作为基础进化框架，并增强迁移学习组件。
• 应用特征对齐机制，确保在优化过程中历史与当前网络结构之间的兼容性。

实验结果

研究问题

• RQ1 如何有效将迁移学习集成到用于动态社区检测的多目标进化算法中？
• RQ2 在动态网络中，整合历史社区特征在多大程度上能提升聚类准确率与稳定性？
• RQ3 能否基于信息论为所提出的 TMOGA 框架提供理论保证？
• RQ4 在准确率与结构一致性方面，TMOGA 与最先进动态社区检测算法相比表现如何？
• RQ5 所提出的基于信息论的框架能否解释 TMOGA 中观察到的性能提升？

主要发现

• TMOGA 在多样化动态网络数据集上的聚类准确率显著高于最先进方法。
• 与基线方法相比，该算法将连续社区划分之间的结构差异降低了最多达 35%。
• 迁移特征的整合显著加快了收敛速度，并提升了进化过程的稳定性。
• 信息论框架成功解释了动态社区检测中准确率与稳定性之间的权衡。
• 实证结果表明，TMOGA 在多个真实世界与合成动态网络基准中均表现出一致的优越性。
• 即使在网络快速演化和存在结构噪声变化的情况下，该方法仍能保持高性能。