Naukowcy opracowali trzy hierarchiczne ramy do wykrywania społeczności w sieciach złożonych - od sieci społecznych przez cytacyjne po biologiczne. Ich innowacyjne podejście łączy różne algorytmy hierarchicznego grupowania z macierzami bliskości węzłów i modelami reprezentacji grafów opartymi na deep learningu.
W badaniach porównano 364 różne kombinacje metod na modelach Stochastic Block Model i rzeczywistych zbiorach danych. Najlepsze pipeline'e - wykorzystujące macierze bliskości Wassermana-Fausta oraz reprezentacje DNGR - osiągały konkurencyjne wyniki wobec referencyjnych algorytmów Leiden i Louvain. Kluczowa różnica: proponowane metody zachowują strukturę hierarchiczną, generując serię zagnieżdżonych podziałów sieci o wszystkich możliwych rozmiarach. To rozwiązuje praktyczny problem - gdy liczba rzeczywistych społeczności jest nieznana z góry, algorytm dostarcza wszystkie sensowne poziomy zdetalizowania bez istotnej utraty jakości.
Osłabienie podejścia to czasochłonność - metody działają efektywnie do około 10 tysięcy węzłów na komputerach osobistych. Jednak na grafach z wieloma małymi społeczności nowe algorytmy okazują się dokładniejsze niż obecne standardy, co czyni je potencjalnie wartościowymi dla analizy rzeczywistych sieci, gdzie struktura nie jest z góry znana.