| Autor: |
Dao, Vinh-Loc |
| Přispěvatelé: |
Département Logique des Usages, Sciences sociales et Sciences de l'Information (IMT Atlantique - LUSSI), IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Lab-STICC_IMTA_CID_DECIDE, Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance (Lab-STICC), École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT), Ecole nationale supérieure Mines-Télécom Atlantique, Philippe Lenca |
| Jazyk: |
angličtina |
| Rok vydání: |
2018 |
| Předmět: |
|
| Zdroj: |
Data Structures and Algorithms [cs.DS]. Ecole nationale supérieure Mines-Télécom Atlantique, 2018. English. ⟨NNT : 2018IMTA0108⟩ |
| Popis: |
Community detection is a technique used to separate graphs into several densely connected groups of vertices, especially powerful when visualization techniques are infeasible for large-scale structures of networks. Thanks to aplethora of potential applications in the golden age of social interaction, many detection techniques have been invented in the last decades. Their performance in discovering significant structures has been a hot topic in the network science community since there is still no consensus on what good communities are. In this dissertation, we invite readers to go through several comprehensive analyses of various state-of-the-art community detection methods as well as modular structures of real networks belonging to a large variety of domains. Our results provide intuitive illustrations of community structures and useful information that helps readers to choose their context-based rule-of-thumb solution.; La détection de communauté est une technique qui décompose des graphes en sous graphes densément connectés, ce qui est particulièrement utile dans le cas de (très) grands réseaux complexes dont la visualisation est difficile. De très nombreuses méthodes, très variées, ont été proposées ces dernières années. Dans un contexte où aucun consensus n’émerge autour de la notion même de communauté, ces méthodes provoquent de multiples discussions scientifiques autour de la qualité de leur résultat. Dans cette thèse, nous proposons plusieurs types d’évaluation comparative et approfondie de 16 méthodes bien connues de l’état de l’art ainsi que la caractérisation exhaustive des structures communautaires découvertes dans des réseaux réels variés provenant de domaines différents. Nos résultats — méthodes et analyses —constituent un début de boîte à outils pour l’analyste bien en peine de choisir la méthode adaptée à son étude. |
| Databáze: |
OpenAIRE |
| Externí odkaz: |
|
