摘要
传统上，图中的社区检测问题可以通过谱方法或在概率图模型下进行后验推理来解决。近期的研究集中于随机图族（如随机块模型），将这两种方法统一起来，并根据信噪比确定了统计和计算检测阈值。通过将社区检测重新定义为图上的节点分类问题，我们还可以从学习的角度对其进行研究。本文提出了一种新型的图神经网络（GNN）家族，用于在监督学习环境中解决社区检测问题。研究表明，这些图神经网络以数据驱动的方式，在无需访问底层生成模型的情况下，其性能可以匹敌甚至超越信念传播算法在二元和多类随机块模型上的表现，而后者被认为达到了计算阈值。特别地，我们建议对边邻接线图上定义的非回溯算子进行增强，以改进图神经网络的性能。我们的模型在现实世界的数据集上也表现出良好的性能。此外，我们首次分析了训练用于社区检测问题的线性图神经网络的优化景观，证明在某些简化和假设条件下，局部最小值和全局最小值处的损失值相差不大。