混合成员社区模型学习的张量方法
本文提出了一种新的快速伪似然法来拟合社区内网络模型,以及一种允许任意度数分布的变体,并且在一系列设置下表现良好,并使用其提供了一个初始化值伪似然估计,其中伪似然估计在两个社区块模型的情况下提供了一致的估计。
Jul, 2012
本文针对标记随机块模型中的社群检测或聚类问题研究了一种基于谱方法的算法,通过观察随机标签,找到至多s个错误分类项的聚类算法,并给出了该算法的时间复杂度为O(npolylog(n))。
Oct, 2015
本文主要研究了随机块模型的聚类问题和主动学习的应用,发现在一定条件下,即使在聚类阈值以下,仅仅采样少量的节点标签,也能高概率地完成完整的社区检测,所提供的高效学习算法能够很好地验证这一理论,并通过数值实验进行了验证。
May, 2016
提出了一种基于低阶多项式、半定规划和张量分解的高效贝叶斯估计问题的元算法,该算法的重点在于尽量紧密(达到添加低阶项的下限),并且通常可以达到统计阈值或猜测的计算阈值。在样本复杂度方面改善了社交网络检测和混合式社交网络模型的恢复保证,并且表明该任务可能需要指数时间。算法的基本策略是计算参数的后验分布的最佳低阶逼近,然后使用一个健壮的张量分解算法从这些近似的后验时刻中恢复参数。
Sep, 2017
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
META-CODE是一种新的端到端解决方案,可通过易于收集的节点元数据和探索性学习来检测未知拓扑结构的网络中的重叠社区。其算法包括三个步骤:1)初始化网络推断,2)基于图神经网络的节点层次社区归属嵌入,3)基于社区归属的网络探索。实验结果表明,META-CODE具有优于基准方法的性能,训练模型的有效性以及快速网络探索。
Aug, 2022
通过将节点属性数据纳入超图中的社区结构学习,本研究提出了一种统计框架 HyperNEO,可以增强合成和实际超图中社区结构的学习效果,同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间,从而在实际超图中部分保留社区结构,促进了对实际复杂系统中高阶社区结构的研究和理解。
Jan, 2024
该研究从信息论的角度考虑了在多个可能相关的图上的社区检测问题。通过建立多视图随机块模型(MVSBM),我们得出了一个信息论的上界和下界,当MVSBM的模型参数超过某个阈值时可以实现准确的社区恢复,否则期望的错误分类节点数将大于一。
Jan, 2024
在高斯图模型的框架下,我们引入一种新颖的分解方法,将基础图结构分解为稀疏部分和低秩对角块(非重叠社区),并提出一个三阶段估计过程以及快速高效的算法用于识别稀疏结构和社区。通过两种建模方式展示了这种分解的重要性,并在理论层面上建立了局部可辨识性的条件,并通过构造一种有效的范数将传统的不可表示性条件拓展为自适应形式,确保自适应l1惩罚估计器在第二阶段的模型选择的一致性。此外,我们还为第三阶段的K均值聚类过程提供了聚类误差界限。通过大量的数值实验,证明了所提方法在估计图结构方面的优越性。此外,我们还将该方法应用于股票回报数据,展示了其准确识别非重叠社区结构的能力。
May, 2024