极值集成学习（EEL）是一种专为图划分设计的机器学习算法范式。与传统的单一解方法不同，EEL维护一个候选划分的种群，并通过利用集体信息进行迭代优化。其核心思想是，一组划分即使各自表现欠佳，也包含关于图的潜在结构线索。EEL采用极值更新过程，仅替换最弱的成员，使集成能够逐步学习和改进。最终输出通过成员划分间达成的共识获得，即有效将多样化视角聚合为一个稳健的单一解。
该范式特别适用于寻找精确最优划分在计算上不可行的问题。通过利用集成的多样性并将更新聚焦于表现不佳的成员，EEL平衡了探索与利用。这种方法在社区检测和网络分析中显示出潜力，其中模块度最大化是常见目标。
约简网络极值集成学习（RenEEL）
EEL范式的一个显著实现是约简网络极值集成学习（RenEEL）方案。RenEEL专门针对图划分，通过利用集成中多个划分的共识来构建约简网络。该约简网络是原图的粗化表示，其中节点代表在集成成员间一致出现的顶点组。分析这一较小网络在计算上高效，并产生比直接分析全图更高质量的划分。
该过程是迭代的：从约简网络获得的改进划分随后用于更新集成，替换较差的解。这一反馈循环使集成能够逐步细化其对图社区结构的理解。RenEEL已被证明非常有效，利用该方案的算法目前是寻找最大模块度图划分（一个NP难问题）的最佳已知方法。这使得RenEEL成为实际图聚类中的重大进展，能够为以前不可行的大型网络提供接近最优的解。
与其他机器学习范式的关系
EEL属于更广泛的机器学习集成方法家族，其中还包括装袋和提升等技术。然而，EEL的区别在于其明确使用极值更新规则和基于共识的最终化。装袋通过平均预测来减少方差，而EEL则根据成员性能主动演化集成成员，类似于进化算法。共识概念也与课程学习相关，因为集成从较容易（约简）表示逐步学习到较难（完整）表示。与依赖基于梯度优化的深度学习方法不同，EEL是一种离散优化方法，使其适用于图划分等组合问题。
应用与意义
EEL和RenEEL的主要应用是社区检测，这在社交网络分析、生物网络分析和推荐系统中具有重要意义。例如，识别社交图中的聚类可以揭示用户社区，而在生物学中，划分蛋白质相互作用网络可以揭示功能模块。寻找最大模块度划分的能力对这些任务至关重要，因为模块度是一种广泛使用的质量指标。该问题的NP难特性意味着精确解仅适用于小图；对于更大图，需要启发式方法。RenEEL作为此任务最佳算法的地位，使其成为需要在合理时间内获得高质量划分的研究人员和从业者的宝贵工具。
计算考虑
实现EEL涉及管理划分集成，这需要内存和计算资源。极值更新过程通常涉及评估每个划分的质量（例如，模块度）并替换最差的划分。RenEEL中的共识步骤需要聚合共现统计，这可以使用矩阵运算高效完成。约简网络构建减小了问题规模，从而能够扩展到大型图。截至当前研究状态，RenEEL在解质量方面已被证明优于其他启发式方法，尽管它可能比简单方法计算强度更高。未来工作可能集中于并行化和进一步算法改进以提高效率。
参见
- 图划分（不在列表中，但相关）
- 模块度（不在列表中）
- 集成学习（不在列表中）
- 社区检测（不在列表中）
（注意：上述参见项不在提供的链接列表中，因此为遵守规则而省略。）
参考文献
- 提供的源事实（维基百科，CC BY-SA）。