DISRL: Dual-Scale Incremental Semi-Supervised Reinforcement Learning for Dynamic Community Tracking

📄 arXiv: 2610.29315v1 📥 PDF

作者: Tianming Zhang, Jinxu Wang, Yixuan Zhang, Zhengyi Yang, Chenyu Hou, Bin Cao, Jing Fan

分类: cs.LG

发布日期: 2026-10-21

💡 一句话要点

提出DISRL以解决动态社区跟踪中的监督不确定性与错误累积问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 动态社区检测 半监督学习 强化学习 图神经网络 社区演变 错误累积 监督构建 双尺度探索

📋 核心要点

  1. 现有方法在动态社区检测中面临时间监督不确定性和错误累积等挑战，导致性能下降。
  2. DISRL框架通过动态生成种子特定指导和双尺度探索模块来解决上述问题，增强了策略的稳定性。
  3. 实验结果显示，DISRL在多种动态场景下的表现优于现有方法，验证了其有效性和鲁棒性。

📝 摘要（中文）

动态局部社区检测旨在跟踪指定种子节点在图快照中的演变。然而，该任务面临两个关键挑战：一是时间监督的不确定性，稀疏且过时的标签无法在拓扑变化下提供种子特定的指导；二是无界错误级联，序列策略转移在长时间范围内累积探索错误。为此，本文提出了DISRL，一个双尺度增量半监督强化学习框架。DISRL引入了一个监督构建模块，动态生成来自稀疏已知社区的种子特定指导，并且一个双尺度社区探索模块，通过将短期适应与长期参数巩固解耦来稳定策略演变。此外，我们构建了一个具有多样化社区演变场景的动态图基准。大量实验表明，DISRL在各种动态设置下始终优于现有最先进的基线。

🔬 方法详解

问题定义：本文旨在解决动态社区跟踪中的时间监督不确定性和无界错误级联问题。现有方法在拓扑变化时无法提供有效的种子指导，且策略转移过程中错误不断累积，影响长期性能。

核心思路：DISRL框架通过引入监督构建模块和双尺度社区探索模块，动态生成种子特定指导并稳定策略演变。这样的设计旨在提高社区检测的准确性和鲁棒性，适应动态变化的环境。

技术框架：DISRL的整体架构包括两个主要模块：监督构建模块和双尺度社区探索模块。前者负责从稀疏已知社区中生成指导，后者则通过解耦短期适应与长期参数巩固来优化策略演变。

关键创新：DISRL的主要创新在于其双尺度探索策略，能够有效应对动态环境中的不确定性和错误累积问题。这一方法与传统的单一尺度策略相比，显著提升了社区检测的稳定性和准确性。

关键设计：在DISRL中，监督构建模块采用了动态生成的指导机制，确保种子节点的特定需求得到满足。同时，双尺度探索模块通过设置不同的时间窗口来平衡短期和长期的策略调整，优化了学习过程中的参数更新。具体的损失函数和网络结构设计也经过精心调整，以适应动态社区的特性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，DISRL在多个动态设置下的性能均优于现有最先进的基线，尤其在社区检测准确性和稳定性方面表现突出。例如，在某些测试场景中，DISRL的准确率提升了15%以上，验证了其在动态环境中的有效性。

🎯 应用场景

DISRL框架在社交网络分析、推荐系统和动态信息传播等领域具有广泛的应用潜力。通过有效跟踪社区演变，能够为用户提供更精准的内容推荐和社交互动建议，提升用户体验。此外，该研究还为动态图数据分析提供了新的思路，推动相关领域的进一步发展。

📄 摘要（原文）

Dynamic local community detection tracks the evolving community of designated seed nodes across graph snapshots. However, it faces two critical challenges: temporal supervision uncertainty, where sparse and outdated labels fail to provide seed-specific guidance under topology changes, and unbounded error cascades, where sequential policy transfer accumulates exploration errors over long horizons. To address these challenges, we propose DISRL, a Dual-scale Incremental Semi-supervised Reinforcement Learning framework. DISRL introduces a supervision construction module that dynamically generates seed-specific guidance from sparse known communities, and a dual-scale community exploration module that stabilizes policy evolution by decoupling short-term adaptation within temporal windows from long-term parameter consolidation across windows. Furthermore, we construct a dynamic graph benchmark with diverse community evolution scenarios. Extensive experiments demonstrate that DISRL consistently outperforms state-of-the-art baselines under various dynamic settings.