对于块模型的半定松弛
该文章探讨了在随机超图模型中用于社区检测的随机块模型问题(k-SBM),研究了正确定位问题并表明其存在阈值现象:在阈值以下不可能以非零概率找回社区,而在阈值之上,有一个估计器几乎可以确定性地找回社区。作者还考虑了一种基于半定松弛技术的精确恢复问题的简单有效算法。
Jul, 2018
通过对 Semidefinite Programming(SDP)放松的最大似然估计进行研究,本文论证了 SDP 放松技术在社区检测中的可行性和通用性。
Feb, 2015
这篇论文主要探讨了应用于信号处理、数据挖掘和机器学习中的统计推理问题,当数据的维度很高时,常常导致较难处理的组合优化问题。文中提出了通过构建这些组合优化问题的凸松弛来解决问题的热门思想。其中,半定规划松弛是该家族中最有力的方法之一,并且出人意料地适用于形如矩阵或图形的数据问题。作者对几个经典的半定规划松弛模型进行了研究,尤其是适用于图同步和网络中的社区检测等统计问题的模型。通过将这些优化问题映射到带有向量自旋的统计力学模型中,使用统计力学中的非严谨技术来描述相应的相变,以期阐明半定规划松弛在高维统计问题中解决问题的有效性。
Nov, 2015
本文提出了一种基于凸规划松弛和新的双重加权 $k$- 中位数方法的凸化模块化最大化方法,用于估算 DCSBM 下的隐藏社群,通过实验结果表明本方法相对于文献中现有的最先进方法具有竞争力的性能表现。
Dec, 2015
本文提出使用具有两个创新的二进制 SDP 松弛,同时聚焦于计算效率的 SOS 层次结构进行 MAP 推理,该算法在实际问题如图像去噪和 Ising 自旋玻璃方面表现优于 BP 和 GBP。
Sep, 2017
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
该研究提出了一种基于谱聚类算法的新方法,可在 Bipartite 随机块模型中使用多项式时间算法实现精确和几乎全面的节点分区恢复,并改进了条件以使用现有算法进行近乎完全恢复,以及使用种植可满足问题与 BSBM(Bipartite 随机块模型)之间的联系进行研究以完全恢复种植任务。
Nov, 2019
提出了一种基于受限 Tweedie 分布的创新的随机分块模型,用于模拟国际贸易网络中的非负零膨胀连续边权重,并结合节点信息和其对边权重的动态影响,实现了有效的两步算法来估计协变效应和其他参数,并通过广泛的模拟研究和真实的国际贸易数据的应用证明了该方法的有效性。
Oct, 2023