利用尖锐特征向量偏差估计混合成员资格

Sep, 2017

利用尖锐特征向量偏差估计混合成员资格

Estimating Mixed Memberships with Sharp Eigenvector Deviations

Xueyu Mao, Purnamrita Sarkar, Deepayan Chakrabarti

TL;DR本文提出了一种用于混合成员随机块模型网络中每个节点的社区成员资格向量的收敛速度的算法，该算法是首次建立对于重叠社区检测的每个节点的速率，并基于人口矩阵的特殊结构以及基于优化领域的现有算法的果断定位方法。

Abstract

We consider the problem of estimating community memberships of nodes in a network, where every node is associated with a vector determining its degree of membership in each community. Existing provably consistent algorithms often require strong assumptions about the population, are computationally expensive, and only provide an overall error bound for the wh

community membership networks mmsb eigenvector overlapping community detection

发现论文，激发创造

混合成员随机块模型中的最优估计

这篇论文主要研究了重叠社区检测的问题，并提出了一种新的估计方法，以及建立了估计误差的下界。

Jul, 2023

混合成员和对称非负矩阵分解

本文针对网络重叠社区问题，结合非负矩阵分解和混合成员随机块模型，提出了一种称为 GeoNMF 的计算机算法，能够在广泛的参数范围内实现唯一解，保证了算法的精确性和一致性。经过模拟和真实数据集上的实验，证明了该算法的准确性。

Jul, 2016

混合成员分布自由模型

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

加权随机块模型中的社区估计的最优速率

研究了一种基于加权邻接矩阵的随机块模型，并通过一种基于离散化的算法，利用 Renyi 散度来表征其误差率。

Jun, 2017

用连续投影进行混合成员资格的一致估计

这篇论文提出了一种新的算法 SPOC，其结合了谱聚类和可分非负矩阵分解的几何方法，用于在混合成员随机块模型（MMSB）中进行参数估计问题，可以处理具有重叠社区结构的随机图模型，且在模型参数一般条件下可证明一致性，与其他算法相比，实验证明 SPOC 算法表现良好。

Jul, 2017

混合成员社区模型学习的张量方法

研究使用张量谱分解方法学习一种具有重叠社区结构的概率网络模型，该方法可以保证恢复社区成员和模型参数，并且该方法在速度和正确性方面与当前已知的最优方法相匹配。

Feb, 2013

SCORE 算法快速的社群发现

提出了一种名为 SCORE 的基于特征向量比率的谱聚类算法，用于通过比较网络的前 K 个特征向量之间的分量比率来检测社区。与传统的谱聚类和模块度方法相比，该方法在计算速度和准确率上均有很好的表现，并且在随机矩阵理论 (RMT) 框架下可稳定地产生一致的社区检测结果。

Nov, 2012

使用矩阵特征向量在网络中寻找社区结构

本研究考虑检测网络中的社群或模块，发现这种过程可以通过 “模块度量” 函数的最大化来实现，而这个函数可以用所谓的 “模块度量矩阵” 的特征谱表示，而我们从中得出了几个可能的算法和中心度量，并在各种真实世界的复杂网络中验证它们。

May, 2006

来自少样本的贝叶斯估计：社群检测及相关问题

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

基于混合成员随机块模型的可扩展 MCMC 算法

本文提出了一种基于随机梯度马尔科夫链蒙特卡罗算法的用于混合成员随机块模型中可扩展推理的方法。该算法利用了随机梯度黎曼 Langevin 采样器，每次迭代都能实现更快的速度和更高的精度，比基于随机变分推理的当前最先进算法更优，同时我们还开发了一种适用于处理大量社区的近似方法。实验结果表明，SG-MCMC 在所有情况下均优于竞争算法。

Oct, 2015