贝叶斯随机块模型
本文提出了一种基于无参数贝叶斯方法的微正则随机块模型,旨在同时改善深入贝叶斯层次结构的推断以及模型选择能力,以推断网络的模块结构和层次组织,并介绍了一种高效的推理算法。
Oct, 2016
本文提出了一种基于贝叶斯方法的加权随机块模型,可以用于推断加权网络的大规模模块结构,方法为无参数方法,使用数据来推断模型中的群组数量和其他维度,并提供了不同种类的边权(如连续或离散、有符号或无符号、有界或无界等)以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述,并且将该方法应用于各种实际加权网络,例如全球移民、国会中的投票模式和人类大脑中的神经连接。
Aug, 2017
本论文提出一个稀疏变分自编码器用于图形数据,融入了 SBMs 和 GNNs 方向,实现了节点嵌入的快速推理,适用于各种类型的 SBMs,并在链接预测和社群发现方面得到了令人鼓舞的结果。
May, 2019
本文提出了基于上下文随机块模型的半监督社区检测,并使用置信传播算法解决推断问题。研究表明,与已有的图神经网络相比,该算法性能更优,因此该模型可用于开发更高效的图神经网络 。
Jun, 2023
通过基于吉布斯先验的扩展随机块模型(ESBM),本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题,并针对各类不确定性提出了更准确的建模、估计和预测策略,其中以 Gnedin 过程为先验的 ESBM 表现出较高的准确性。
Jul, 2020
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
该研究提出了一种用于聚合来自不同信息源的多个聚类的原始方法,使用多层随机块模型(SBM)的混合来将具有相似信息的共成员矩阵分组为组件,并将观测分割为不同的聚类,考虑它们在组件内的特定性。该方法对模型参数的可识别性进行了建立,并提出了一种变分 Bayesian EM 算法来估计这些参数,通过贝叶斯框架选择了最佳的聚类和组件个数。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较,最后将该方法应用于全球食品贸易网络的分析,得到了有趣的结构。
Jan, 2024
该研究致力于融合社交网络中两个最常用的链路生成模型:随机块模型(SBM)和小世界模型(SWM),通过核学习、谱图理论和非线性降维等技术,开发了第一个可在多项式时间内发现稀疏图中潜在模式的统计算法。
Nov, 2017
本文提出了一种基于随机块模型思想的动态网络模型,不同于以往大多数的动态网络模型,它不对边级动态做出隐藏的马尔可夫假设,且采用了一种近似的推理方法,得到的结果能更好地复制真实社交网络数据中边的持续时间。
Nov, 2014