ترجمه فارسی مقاله افزایش پایداری و ارزیابی عدم قطعیت در تشخیص جامعه از طریق رویکرد مبتنی بر اجماع

چکیده

Complex data in social and natural sciences find effective representation through networks, wherein quantitative and categorical information can be associated with nodes and connecting edges. The internal structure of networks can be explored using unsupervised machine learning methods known as community detection algorithms. The process of community detection is inherently subject to uncertainty as algorithms utilize heuristic approaches and randomised procedures to explore vast solution spaces, resulting in non-deterministic outcomes and variability in detected communities across multiple runs. Moreover, many algorithms are not designed to identify outliers and may fail to take into account that a network is an unordered mathematical entity. The main aim of our work is to address these issues through a consensus-based approach by introducing a new framework called Consensus Community Detection (CCD). Our method can be applied to different community detection algorithms, allowing the quantification of uncertainty for the whole network as well as for each node, and providing three strategies for dealing with outliers: incorporate, highlight, or group. The effectiveness of our approach is evaluated on artificial benchmark networks.

چکیده به فارسی (ترجمه ماشینی)

داده های پیچیده در علوم اجتماعی و طبیعی بازنمایی مؤثر را از طریق شبکه ها پیدا می کنند ، که در آن اطلاعات کمی و طبقه بندی می تواند با گره ها و لبه های اتصال همراه باشد.ساختار داخلی شبکه ها را می توان با استفاده از روشهای یادگیری ماشین بدون نظارت که به عنوان الگوریتم های تشخیص جامعه شناخته می شوند ، مورد بررسی قرار گرفت.فرایند تشخیص جامعه ذاتاً در معرض عدم اطمینان است زیرا الگوریتم ها از رویکردهای اکتشافی و روشهای تصادفی برای کشف فضاهای وسیع راه حل استفاده می کنند ، و در نتیجه نتایج غیر قطعی و تغییرپذیری در جوامع شناسایی شده در چندین دوره اجرا می شود.علاوه بر این ، بسیاری از الگوریتم ها برای شناسایی مسافت ها طراحی نشده اند و ممکن است در نظر بگیرند که یک شبکه یک نهاد ریاضی بدون هماهنگ است.هدف اصلی کار ما پرداختن به این موضوعات از طریق یک رویکرد مبتنی بر اجماع با معرفی یک چارچوب جدید به نام تشخیص جامعه اجماع (CCD) است.روش ما می تواند در الگوریتم های مختلف تشخیص جامعه اعمال شود ، و این امکان را برای تعیین عدم اطمینان برای کل شبکه و همچنین برای هر گره فراهم می کند و سه استراتژی برای مقابله با Outliers ارائه می دهد: ترکیب ، برجسته یا گروه.اثربخشی رویکرد ما در شبکه های معیار مصنوعی ارزیابی می شود.