Gráfica de algoritmos de agrupación que consideran pesos negativos

Tengo una instancia de gráfico con bordes dirigidos ponderados cuyos valores pueden estar en el rango [-1,1]. Necesito agrupar en este gráfico, para encontrar grupos en los que los vértices están más correlacionados.

Busqué varios algoritmos basados ​​en gráficos de agrupación o de detección comunitaria, pero la mayoría de ellos no funcionan debido a los pesos negativos. Hasta ahora he aplicado el algoritmo spinglass (se llama así en la biblioteca igraph , es un algoritmo basado en el modelo de Potts) que parece funcionar con pesos positivos y negativos.

¿Existen otros algoritmos para agrupar o detectar comunidades en gráficos que tienen pesos de borde negativos y positivos?

Actualización: los pesos de los bordes representan correlaciones, 1 significa que dos vértices están fuertemente correlacionados, -1 que están inversamente correlacionados y 0 significa que son independientes.

¿Has intentado asignar los valores a [0; 2]?

Entonces muchos algoritmos pueden funcionar.

Considere, por ejemplo, Dijkstra: requiere pesos de borde no negativos, pero si conoce el mínimo ade los bordes, puede ejecutarlo x-ay obtener la ruta sin ciclo más corta.

Actualización: para los valores de correlación, puede estar interesado en los valores absolutos abs(x)(¡que es la fuerza de la correlación!) O es posible que desee dividir el gráfico en dos temporalmente: primero en las correlaciones positivas, luego en las correlaciones negativas solo si el signo es tan importante para la agrupación y los enfoques anteriores no funcionan.

Sí, hay un algoritmo llamado 'Propagación de afinidad' que funciona con pesos negativos; Creo que esto se implementa en sklearn (consulte la documentación aquí ). Una referencia de lo que está sucediendo detrás de escena se puede encontrar aquí .

¡Espero que sea lo que estás buscando!

Me parece que el problema que describe se conoce como el problema de agrupación de correlación . Esta información debería ayudarlo a encontrar algunas implementaciones, como:

• Este código de Matlab por Shai Bagon
• Este código Python por el usuario de GitHub filkry

Tenga en cuenta algunos algoritmos de detección de la comunidad también han sido modificados con el fin de procesar las redes firmados, por ejemplo Amelio'13 , Sharma'12 , Anchuri'12 , etc. Sin embargo, no pude encontrar ninguna aplicación a disposición del público.

Eche un vistazo a este código , es bastante escalable, funciona con bordes positivos y negativos y resuelve el grupo de correlación (CC) como un caso especial (r = 0). Sin embargo, para el caso de CC (maximizando los enlaces positivos y minimizando los enlaces negativos dentro de los clústeres), sugeriría otros métodos que están especializados en resolver este objetivo.

Para ilustrar, la agrupación de correlaciones (a diferencia de lo que persigue la literatura sobre detección comunitaria) no tiene en cuenta la densidad positiva de las agrupaciones, por lo que cuando una red tiene pocos vínculos negativos (la mayoría de los casos del mundo real), toda la red se coloca en una sola racimo.