Factorisation de matrices non négatives de type autoencodeur profond pour la détection de communautés

La structure de communauté est omniprésente dans les réseaux complexes du monde réel. La détection de communautés dans ces réseaux revêt une importance capitale dans de nombreuses applications. Récemment, la factorisation de matrices non négatives (NMF) a été largement adoptée pour la détection de communautés en raison de sa grande interprétabilité et de sa capacité naturelle à capturer l’appartenance des nœuds aux communautés. Toutefois, les approches existantes basées sur la NMF sont des méthodes superficielles : elles apprennent l’affectation des communautés en appliquant une transformation directe du réseau original vers l’espace d’appartenance aux communautés. Étant donné la complexité et la diversité des structures topologiques des réseaux réels, il est fort probable que cette transformation contienne des informations hiérarchiques complexes, que les méthodes classiques de NMF superficielles ne peuvent pas modéliser efficacement. Inspirés par la capacité unique d’apprentissage des représentations caractéristiques des autoencodeurs profonds, nous proposons un nouveau modèle, nommé NMF de type Autoencodeur Profond (DANMF), pour la détection de communautés. À l’instar des autoencodeurs profonds, DANMF se compose d’un composant encodeur et d’un composant décodeur. Cette architecture permet à DANMF d’apprendre des mappages hiérarchiques entre le réseau original et l’affectation finale des communautés, en capturant implicitement, au niveau des couches intermédiaires, des attributs cachés de niveau croissant issus du réseau d’origine. Ainsi, DANMF est mieux adapté à la tâche de détection de communautés. Des expériences étendues sur des jeux de données standards démontrent que DANMF atteint des performances supérieures aux approches les plus avancées basées sur la NMF.