网络生成模型的统一视角：模型、方法、机遇与挑战

NIPSNov, 2014

网络生成模型的统一视角：模型、方法、机遇与挑战

A unified view of generative models for networks: models, methods, opportunities, and challenges

Abigail Z. Jacobs, Aaron Clauset

TL;DR介绍了概率网络模型的不同类型以及它们之间的相似性和不同之处，这些模型包含了物理学、社会学、生物学、统计学和机器学习等多个领域，同时也揭示了未来的研究机会和挑战。

Abstract

Research on probabilistic models of networks now spans a wide variety of fields, including physics, sociology, biology, statistics, and machine learning. These efforts have produced a diverse ecology of models an

probabilistic models networks pairwise interactions latent vertex attributes generative models

发现论文，激发创造

学习图的深度生成模型

本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

Mar, 2018

具有重叠组的大规模网络模型的模型选择和假设检验

该研究使用最小描述长度标准和后验概率比方法，基于统计学推断从许多生成模型中选择最佳的模型，结果表明，节点内部的属性通常比群体属性更重要，度修正模型通常是大多数无权网络的最佳模型。

Sep, 2014

动态网络的生成模型与应用

本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

Feb, 2018

GFlowNets 与更多模型的统一生成模型

探讨了深度生成模型和 GFlowNet 框架之间的关系，从 Markovian 规划的角度提供了训练和推理算法统一的方式，并给出了实践验证的优化建议。

Sep, 2022

统计网络模型调查

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

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

深度生成模型用于图形生成的系统调查

本文是深度生成模型应用于图生成任务方面的综述，介绍了深度生成模型的定义与预备知识，无条件图生成与条件图生成的分类、评估度量指标和深度图生成的应用，并提出了五个未来研究方向。

Jul, 2020

基于模型的网络群聚类

我们提出了一种基于广义线性（混合）模型的基于模型的聚类方法，用于描述网络人口的联合分布并识别共享某些感兴趣的拓扑性质的网络子人口，最大似然估计可通过 EM 算法实现。

Jun, 2018

深度神经网络的生成学习

本文的研究旨在深度神经网络的生成式学习问题上提出一种中间方法，通过前向计算得出一个简化版的贝叶斯概率多层模型，并且运用转置的方法使得识别和生成网络更加符合数据的联合概率模型。通过实验发现，这种联合对组的生成对模型足够强大，可以很好地进行识别和生成任务。

Sep, 2017

基于概率生成模型的社交影响推荐探索

本研究提出了一个概率生成模型 —— 统一模型，该模型自然地将社会影响、协同过滤和基于内容的方法统一起来，用于物品推荐。我们通过期望最大化算法（EM）来设定模型参数，实验结果显示带有社会影响的生成模型显著优于不带社会影响的模型，并且统一模型表现最佳。此外，我们发现 Whrrl.com 上的用户更可能受到朋友的影响，并且我们基于社会影响的群组推荐算法也优于最先进的算法。

Sep, 2011