Apr, 2016

网络结构、元数据和缺失节点与注释的预测

PDF
TL;DR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。
community detection methodstopological descriptorsgenerative modelmetadatanetwork structure
发现论文，激发创造
  • 社交网络元数据在网络上对图像分类的标签化

    研究了四个流行的基准数据集，扩展了它们的社交网络元数据，如每张图片所属的组，与该图片相关的评论线程，上传者，其位置和朋友的网络，探讨了社交网络元数据在图像分类中的应用，通过构建一个二元标签网络模型，使用结构化学习技术来学习模型参数，发现社交网络元数据在各种分类任务中很有用，并在许多情况下胜过基于图像内容的方法。

    Jul, 2012

  • 元算法：通过探索学习在拓扑未知的网络中进行社区检测

    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

  • 利用图神经网络辅助的探索式学习进行未知拓扑的社群检测

    通过采集易于获得的节点元数据，META-CODE 提出了一种新的端到端解决方案，用于检测未知拓扑结构的网络中的重叠社区， META-CODE 通过图神经网络训练节点层次社区从属嵌入，并使用 Siamese 神经网络模型进行网络推理。

    Apr, 2023

  • 未知社区数量的概率社区检测

    本文提出了一种基于贝叶斯非参数技术的概率框架，用于同时估计群体数量和群体结构的网络分析问题，提出了一种有效的 MCMC 算法，并在合成数据和基准真实数据集上展示了其优异性能。

    Feb, 2016

  • 利用图像元数据进行图像注释：关爱邻里

    利用社交网络元数据构建图像社区，结合深度神经网络，使用 Jacard 相似性衡量图像间的关系，实现多标签图像注释的非参模型，相比参数模型更加稳健。

    Aug, 2015

  • 分层结构与网络中遗漏链接的预测

    这篇论文提出了一种从网络数据中推断出分层结构的通用技术，并证明了层次结构的存在可以同时解释和定量重现网络的许多常见的拓扑特性，同时还展示了层次结构的知识可以用于高精度地预测部分已知网络中的缺失连接，这表明分层结构是复杂网络的一个核心组织原则，能够为许多网络现象提供深刻洞察。

    Nov, 2008

  • 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

  • 贝叶斯非参数众包

    本研究旨在提出两种基于中华餐厅过程 (CRP) 先验概率和分层结构的全新无监督模型，以更好地处理众包数据标注中用户注释的质量问题，并利用 Gibbs 采样的高效推理算法对其进行实验验证。

    Jul, 2014

  • 网络社区检测的高效和原则性方法

    描述了一种基于分布式网络模型的重叠社区检测方法，使用了快速的期望最大化算法对数百万节点的网络进行分析，可用于提取非重叠的社区划分。

    Apr, 2011

  • 利用内容和链接高效检测大型网络社区

    本文介绍了一种简单的方法，即将内容和链接信息结合起来构建图结构用于社区发现，通过在网络节点之间融合链接强度与内容相似度来评估信号强度，提出了一种有效的去噪方法并采用偏倚边采样，使用 Metis 和 Markov 聚类等算法对骨干图进行聚类，多次实验显示此方法效果显著且速度较快。

    Dec, 2012