ICMLJun, 2012

非参数元数据相关联模型

PDF
TL;DR介绍非参数元数据依赖关系（NMDR）模型，一种贝叶斯非参数随机块模型用于网络数据，通过学习回归模型，使每个节点上的实体可以在无限多个潜在社区中具有混合成员资格，并且可以依赖和预测任意节点元数据。使用有效的 MCMC 算法从部分观察的节点关系中学习 NMDR 模型，回顾性 MCMC 方法可以直接使用 NMDR 的无限粘性分解表示，避免了有限截断的需要。结果表明，从真实的社交和生态网络中恢复出有用的潜在社区，元数据在链接预测任务中也是有用的。
nonparametric metadata dependent relational modelbayesian nonparametric stochastic block modelnode metadatamcmc algorithmslink prediction tasks
发现论文，激发创造
  • 具有数据增强的判别式非参数潜在特征关系模型

    本研究提出一种较为准确地进行关系建模和预测的方法，该方法使用了具有判别性的非参数潜在特征关系模型 (LFRM)，该模型使用概率推理，并将预测损失与贝叶斯模型的概率推理结合使用，并使用不同的规则参数来处理真实网络中不同类型链接的不平衡问题，同时对光滑的逻辑对数损失和分段线性铰链损失进行统一分析。

    Dec, 2015

  • 动态网络的非参数多组成员模型

    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

  • 基于无限多成员关系模型的复杂网络建模

    本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

    Jan, 2011

  • 关系建模与蒸馏用于带噪声标签的学习

    通过自我监督学习建模样本之间的关系，并采用知识蒸馏的方法增强对潜在关联的理解，从而缓解模糊标签的影响，该研究提出了一个处理噪声标签的关系建模和蒸馏框架，该框架能够学习具有噪声的数据的判别性表示，并取得比现有方法更优越的性能。

    May, 2024

  • 最大间隔非参数潜在特征模型用于链路预测

    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

  • 网络结构、元数据和缺失节点与注释的预测

    本文提出了一种用于评估社区检测算法的数据和元数据的联合生成模型及其参数推断方法，通过预测网络中边的位置来评估元数据的质量，并且展示了如何利用这个特点来预测缺失的节点和元数据。研究结果表明，尽管数据组和元数据标记之间很少存在精确的一致性，但元数据通常仍可以提供网络结构的信息，并且可以提高缺失节点的预测能力。

    Apr, 2016

  • 混合成员随机块模型

    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

  • 非参数贝叶斯重叠随机块模型的小方差渐近理论

    本研究提出了一种基于小方差渐近基础的非参数贝叶斯隐含特征关系模型。通过这种模型，我们得到了一个目标函数，并设计了一种易于实现且实际运行速度快的确定性推理算法，该算法在处理多种基准数据集时表现出竞争力，甚至比 MCMC 方法更快。

    Jul, 2018

  • 文档网络的分层关系模型

    本文提出了一种关系主题模型，可以用于文档网络的摘要、链接预测和内部词汇预测等方面，并基于变分方法构建了高效的推断和估计算法。

    Sep, 2009

  • 网络人群的非参数贝叶斯建模

    探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

    Jun, 2014