Community detection in dynamic networks

• Main Author: Afsariardchi, Niloufar
• Other Authors: Mark Coates (Internal/Supervisor)
• Format: Others
• Language: en
• Published: McGill University 2013
• Subjects: Engineering - Electronics and Electrical
• Online Access: http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=114565

A reasonable representation of some complex systems such as social and biological systems is a network topology that allows its components and interactions among them to change over time. Understanding the time-dependence of these networks can lead to invaluable insight about characteristics and structure of time-varying networks. In this thesis, several classes of static and dynamic clustering algorithms and ideas are reviewed. A challenge arising in dynamic clustering schemes is that the detected communities are not independent over time and the identified clusters at one point of time should not dramatically deviate from the results of previous timesteps. It is especially important to reduce large short term variations and ensure that communities smoothly change over time. Here we present a novel method which is built upon a probabilistic generative Bayesian model to address the problem of identifying consistent and stable overlapping communities in dynamic networks. Synthetic and real networks are used to evaluate the performance with respect to different parameter settings, the model order selection, and the run-time of the proposed algorithm. Performance analysis indicates thatthe algorithm proposed in this thesis outperforms several other state-of-the-art algorithms and provides valuable insights into the evolution and underlying structure. === Une représentation raisonnable de certains systèmes complexes tels que les systèmes sociaux et biologiques est une topologie de réseau qui permet à ses composants et les interactions entre eux de changer au fil du temps. Comprendre la dépendance temporelle de ces réseaux, conduire à de précieux renseignements sur les caractéristiques et la structure de variables dans le temps des réseaux. Dans cette thèse, plusieurs classes d'algorithmes de clustering statiques et dynamiques et des idées sont passées en revue. Un défi se pose dans des plans de regroupement dynamiques est que les communautés détectées ne sont pas indépendants dans le temps et les grappes fondées à un moment donné du temps ne doit pas s'écarter de façon spectaculaire à partir des résultats de pas de temps précédents. Spécialement, il est de l'importance de diminuer de fortes variations à court terme et d'assurer que les communautés progressivement changer au fil du temps. Ici, nous présentons une nouvelle méthode qui repose sur un modèle bayésien génératif probabiliste pour résoudre le problème de l'identification des communautés stables et cohérentes qui se chevauchent dans les réseaux dynamiques. Réseaux synthétiques et réelles sont utilisées pour évaluer la performance par rapport à différents paramètres, la sélection pour modèle, et le moment de l'exécution de l'algorithme proposé. Analyse de la performance indique quel'algorithme proposé dans cette thèse surpasse plusieurs autres algorithmes et révèle l'aperçu inestimable d'un réseau e-mail réelle.