روشی برای بهبود تشخیص جوامع در گراف‌های ناهمگن با شبیه‌سازی‌ در شبکه‌های عصبی مصنوعی

خوشه‌بندی طیفی، یکی از محبوب‌ترین روش‌های شناسایی جامعه بر روی گراف‌ها است که هنوز به طور کامل شناخته نشده است. در این مقاله، خوشه‌بندی طیفی براساس ماتریس hr=r2-1in+d-ra، در گراف‌های ناهمگن پراکنده، با استفاده از مدل بلوک تصادفی تصحیح شده در یک محیط دو کلاسه، مورد بررسی قرار گرفته‌است. نتایج، نشان می دهد که خوشه بندی برای یک مقدار مشخص از r=ζ، از ناهمگنی درجه، تاثیر نمی پذیرد. در نهایت، به بررسی بردار ویژه اطلاعاتی h_ζ ، در نتیجه پیش بینی دقت خوشه بندی و بررسی کلی تعمیم بیش از دو کلاس، همراه با شبیه‌سازی‌های گسترده در شبکه‌های عصبی مصنوعی و واقعی پرداخته شده است.