Um comparativo entre algoritmos de agrupamento de dados para detecção de comunidades.

Abstract

O agrupamento de dados é uma tarefa fundamental do aprendizado de máquina não supervisio- nado, cujo objetivo é organizar um conjunto de dados em grupos com base na similaridade entre os elementos. No contexto de análise de redes complexas, essa técnica é aplicada para a detecção de comunidades, que consiste em identificar subgrupos de nós densamente conectados em um grafo. Este trabalho se dedica a comparar o desempenho de algoritmos de agrupamento na detec- ção de comunidades, com ênfase na avaliação de uma abordagem recente: o framework FOSC (Framework for Optimal Extraction of Clusters from Hierarchies), proposto por (CAMPELLO et al., 2013) e aprimorado por Anjos et al. (2019). Neste estudo, realizamos uma comparação do aprimoramento proposto por Anjos et al. (2019), que utiliza a métrica de modularidade Q no FOSC, contra algoritmos de detecção de comunidade consolidados. Utilizando o benchmark sintético LFR, o trabalho observou se a incorporação do FOSC a esses algoritmos tradicionais melhora a qualidade das comunidades detectadas. Os experimentos mostraram que o FOSC não apresentou melhorias significativas em relação aos algoritmos clássicos, embora também não tenha demonstrado desempenho inferior. Em diferentes configurações, o FOSC mostrou-se competitivo, alcançando valores de NMI próximos aos melhores métodos para baixos valores de µ. Conclui-se que, apesar de não superar os algoritmos tradicionais no benchmark LFR, o FOSC apresenta potencial e merece ser explorado em outros cenários e bases de dados, a fim de avaliar de forma mais ampla sua eficácia na detecção de comunidades.