La détection de communautés — identifier des groupes cohérents d’entités dans un graphe — reste un problème central en analytique des réseaux. Les approches classiques, fondées sur des objectifs d’optimisation, peinent souvent face à des structures complexes. À l’inverse, les méthodes de deep learning peuvent gagner en performance, mais au prix d’une moindre interprétabilité et d’une dépendance à l’entraînement, voire à des données annotées.
Dans ce contexte, l’article “Interpretable Unsupervised Community Detection with LLM-Symbolized Structured Processes” introduit LUCID, une méthode présentée comme non supervisée, sans entraînement et interprétable. L’idée est d’utiliser un grand modèle de langage pour transformer des connaissances implicites en règles formelles explicites, afin de guider la construction des communautés dans un graphe.
LUCID s’appuie sur un pipeline en quatre étapes, inspiré des cinétiques de transition de phase observées dans les systèmes naturels. D’abord, une phase d’initialisation encode des structures locales du graphe à partir de contextes *k-ego* et de rôles de nœuds non supervisés. Vient ensuite une étape de fusion itérative de communautés locales, pilotée par plusieurs facteurs et par des règles induites par LLM. Une troisième phase affine les communautés selon une logique du grossier vers le fin pour réduire le bruit aux frontières. Enfin, une sélection globale retient les communautés jugées les plus pertinentes selon leur compacité topologique et la clarté de leurs frontières.
Les auteurs indiquent avoir mené des expériences approfondies sur des jeux de données réels. D’après le résumé arXiv, LUCID atteindrait des performances de pointe parmi les approches non supervisées et dépasserait de manière constante plusieurs références non supervisées et semi-supervisées. Ces résultats restent toutefois à apprécier à la lumière de l’article complet, notamment sur le choix des jeux de données, des métriques et des conditions expérimentales.