本文系统总结了图采样的目标和方法,并对其关系进行了形式化论证,提供了将理论分析与实际应用桥接的通用框架。通过研究哪些图属性在采样过程中得以保留,展现了一种构造高效估算器的方法,并可以加速一类图算法的实现。此外,文章还讨论了一些高级属性,同时指出了该领域中尚有许多未被探索的问题及未来的研究方向。
Aug, 2013
本文综述历史发展中的统计网络建模及其在静态和动态网络模型中的应用,强调对图形化表示、参数及其估计的解释,并介绍了机器学习和统计学中的一些未解之谜和挑战。
Dec, 2009
研究了三个网络的概率模型:随机块模型中的社区检测,随机几何图的嵌入以及优先附着树中的初始顶点,并探讨了很多与概率论相关的有趣话题,如泊松瓮,大偏差理论、高维度测度集中、熵集中极限定理等。
Sep, 2016
探讨了从网络中选择随机子网的两种采样方案:随机采样和连接依赖采样,研究了节点在两种采样方式下的网络度分布如何受到影响。我们得出了保证子网度分布与真实网络属于相同概率分布家族的必要和充分条件。同时,我们还讨论了采样概率依赖于节点度的情况,并发现即使是经典的随机图也不再适用于此类采样方案。最后,我们将结果与 E.coli 蛋白质相互作用网络数据相关联。
Jul, 2005
本文介绍了图形学习方法,如何通过图信号了解底层网络拓扑,以及统计方法,使用相关分析学习高斯图模型,并介绍近期的 GSP 基础网络推断框架,以及对动态网络的推断,非线性模型的配对交互以及对有向图的扩展及其与因果推理的关系等领域的挑战和机遇进行概述。
Oct, 2018
本文综述了现有的从数据中推断网络的方法,探讨了构建网络表示、针对不同领域的问题和任务、以及通过验证策略来测量推断网络的能力等问题。
Oct, 2016
本文提出了一些标准网络模型的概括,包括随机网络、配置模型和随机块模型,将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制,并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态,以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构,我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。
Jul, 2016
该论文对有向网络的聚类算法进行了深入的综述,介绍了基本概念和方法学基础,并从方法论原理和好的群集特性的角度讨论了聚类算法。此外,还介绍了图聚类结果的评估方法和指标,展示了有趣的应用领域,并提出了未来的研究方向。
本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案,利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述,揭示了一个自然的对策,实现了一致的双样本测试。本文还证明,对于某些网络统计量,所提出的测试是最小最优的。
May, 2017
提出了一种基于图信号采样理论的离线池式主动半监督学习框架,该框架使用节点选择来最大化从采样集重构信号的频率,以解决有限的已标记数据但有大量未标记数据的问题。
May, 2014