Self-adjust Local Connectivity Analysis for Spectral Clustering

Detección de comunidades en redes: Algoritmos y aplicaciones

“…Como la mayoría de los algoritmos espectrales usan técnicas de agrupamiento como el algoritmo de las k-medias, lo que conduce a converger preferiblemente a un optimo local, Wang et al proponen la combinación de algoritmos genéticos con los métodos espectrales, cambiando el método de las k-medias por un método k-medias genético que evita que converja rápidamente a un óptimo local[84].Yu et al indican la adecuada selección de la matriz de similitud, que al basarse en distancias euclídeas, puede obtener malos resultados cuando se presentan valores atípicos o datos con mucho ruido. Debido a esto, se buscan nuevas formas de plantear las distancias entre los puntos y la construcción de matrices de similitud, obteniendo como resultado un suavizado de los datos, lo que los hace más resistentes a estos fenómenos[89].Otro campo de estudio de los algoritmos espectrales es determinar un parámetro adecuado de escala para determinar el grado de similitud entre los nodos y, a pesar del amplio estudio sobre estas áreas, Wu et al consideran que se puede seguir estudiando debido a las fallas que presentan estos métodos sobre algunos escenarios como los expuestos anteriormente[86].Una de las grandes deficiencias de los algoritmos espectrales es su escalabilidad. Al basarse en operaciones matriciales, existen investigaciones que permiten aprovechar las capacidades de la computación paralela para aplicar sobre este tipo de modelos[75].…”