Artificial Benchmark for Community Detection (ABCD)
Synthetic graph generators with explicit community structure play a central role in the development and evaluation of methods for complex networked systems. Indeed, several benchmark models have been proposed to generate artificial networks that resemble real-world systems while retaining full control over their structural properties.
During this talk, we will discuss the Artificial Benchmark for Community Detection (ABCD) model, which allows for heterogeneous degree distributions and community sizes. It is very fast and provides flexibility in interpolating between well-defined community structure and random graphs. ABCD has been analyzed from a theoretical perspective, including studies of its modularity behaviour and self-similarity properties. The modular design of the model has further enabled a range of extensions, including outliers, overlapping communities, hypergraphs, and multilayer networks.
During this talk, we will discuss the Artificial Benchmark for Community Detection (ABCD) model, which allows for heterogeneous degree distributions and community sizes. It is very fast and provides flexibility in interpolating between well-defined community structure and random graphs. ABCD has been analyzed from a theoretical perspective, including studies of its modularity behaviour and self-similarity properties. The modular design of the model has further enabled a range of extensions, including outliers, overlapping communities, hypergraphs, and multilayer networks.
Modèle de référence artificiel pour la détection de communautés
Les générateurs de graphes synthétiques avec une structure de communauté explicite jouent un rôle central dans la création et l'évaluation de méthodes pour les systèmes en réseau complexes. En effet, plusieurs modèles de référence ont été proposés pour générer des réseaux artificiels qui ressemblent à des systèmes réels tout en conservant un contrôle total sur leurs propriétés structurelles.
Au cours de cette présentation, nous aborderons le modèle ABCD (Artificial Benchmark for Community Detection), qui permet des distributions de degrés et des tailles de communautés hétérogènes. Il est très rapide et offre une grande flexibilité pour interpoler entre une structure de communauté bien définie et des graphes aléatoires. L'ABCD a été analysé d'un point de vue théorique, notamment à travers des études sur son comportement en matière de modularité, et ses propriétés d'auto-similarité. La conception modulaire du modèle a en outre permis toute une série d'extensions, notamment la prise en compte des valeurs aberrantes, les communautés qui se chevauchent, les hypergraphes et les réseaux multicouches.
Au cours de cette présentation, nous aborderons le modèle ABCD (Artificial Benchmark for Community Detection), qui permet des distributions de degrés et des tailles de communautés hétérogènes. Il est très rapide et offre une grande flexibilité pour interpoler entre une structure de communauté bien définie et des graphes aléatoires. L'ABCD a été analysé d'un point de vue théorique, notamment à travers des études sur son comportement en matière de modularité, et ses propriétés d'auto-similarité. La conception modulaire du modèle a en outre permis toute une série d'extensions, notamment la prise en compte des valeurs aberrantes, les communautés qui se chevauchent, les hypergraphes et les réseaux multicouches.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English