本文提出了一种基于层次贝叶斯模型的潜在变量模型,能更好地提取社交和生物学网络数据的结构关系并预测,相比只有一个层级的模型,本模型在预测性能上有显著的改进。
Jun, 2012
提出了一种非参数的动态网络多组成员模型,通过距离依赖的印度 Buffet 过程对单独组的诞生和死亡进行建模,通过因子隐马尔科夫模型对个体节点组成员身份的演变进行捕捉,通过显式建模组的连接结构来解释网络结构的动态性。该模型通过在各种不同类型的网络数据中识别潜在组的动态性,证明了其在未来网络预测和丢失链路预测上提供了更好的预测性能。
Nov, 2013
本文提出一种基于概率模型的算法,用于动态关系数据学习,利用伯努利泊松链接函数对网络节点的观测交互进行建模,并用假设为伽马分布的非负潜在节点组成员资格描述底层网络结构,而潜在成员组则根据马尔可夫过程演化。方法的最优成员组数可以由数据本身决定,其计算复杂度随着非零链接数量的增加而增加,适用于大规模稀疏动态关系数据,本文的批处理和在线 Gibbs 采样算法用于模型推断,最后我们将模型的性能与一流方法相比,应用于合成和实际世界的数据集上。
May, 2018
本文描述了一种潜变量模型 -- 混合成员随机块模型,它扩展了关系数据的块模型,捕捉混合成员潜在关系结构,提供对象特异性低维表示。我们开发了一种快速近似后验推断的通用变分推断算法,并探讨了在社交和蛋白质交互网络中的应用。
May, 2007
该研究介绍了如何使用贝叶斯非参数理论来建模并分析复杂网络,特别是使用无限混合模型作为案例来演示,包括通过马尔科夫蒙特卡罗推断模型参数,并通过检查模型的适配性和预测性能来验证模型。
Dec, 2013
本论文介绍了一种利用 max-margin learning 和 Bayesian nonparametrics 将判别性潜在特征和非参数潜在特征融合起来进行链接预测的方法,并提供了一种有效的 stochastic variational inference 算法以及贝叶斯公式,以避免调整正则化超参数。
Feb, 2016
采用潜空间模型,利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展,应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据,通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。
May, 2020
研究在节点成员混合和边权值为有限实数的混合成员加权网络中检测潜在社区信息的问题,使用无分布限制的混合成员模型来解决此问题,并利用高效的谱算法估计社区成员,演示了该算法在具有不同分布的人工数据集和五个真实世界带权网络数据集上的优越性。
Dec, 2021
本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference,该模型能够表示并预测网络结构的演化,并在同质、双部分和异质网络的真实数据集上表现出优异的性能。
Nov, 2019
本文研究了潜在的因素模型在多关系知识图谱建模中的应用,通过实验测试和分析这些模型的归纳能力和优缺点,并提出了未来改进的方向。
Sep, 2017