Abstract:
La découverte de communautés dans les réseaux complexes, tels que les réseaux sociaux
et biologiques, est une problématique importante en analyse des réseaux. Les communautés représentent des sous-structures significatives révélant des regroupements d’entités
similaires ou interconnectées. Les réseaux de neurones à convolution (CNN) offrent une
approche prometteuse pour cette découverte. Afin d’aborder le sujet, nous avons mené une
étude comparative entre l’approche de la classification de nœuds et celle de la classification d’arêtes se basant sur des architectures CNN. Notre objectif principal était d’évaluer
les performances de ces approches en utilisant différentes mesures sur divers ensembles de
données. Les résultats montrent que les deux approches à base de CNN offrent des performances de détection de communautés convergentes et bonnes dans les réseaux complexes.
Les recommandations formulées visent à améliorer la compréhension et l’analyse des communautés dans les réseaux complexes en exploitant les capacités des CNN. Cette étude a
des implications importantes pour améliorer les méthodes de découverte de communautés
dans les réseaux complexes en capitalisant sur les avantages des CNN
