重叠聚类模型和一种 SVM 算法统一绑定
本文介绍一种新的 Overlapping Stochastic Block Model 方法,相对于现有的大多数聚类方法,允许节点属于多个重叠的群集,具有更高的灵活性和适用性,采用全局和局部变分技术的近似推断过程。
Oct, 2009
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
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
本文提出了一种基于分割二分图的新型数据聚类方法,旨在最小化未匹配的顶点之间的边权重总和,通过边权重矩阵的奇异值分解来近似解决这个最小化问题并且在文档聚类问题上取得了显著的效果。
Aug, 2001
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
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
该论文提出了一种强大、可扩展、综合的图中社区检测和比较方法,首先将图嵌入到一个适当的欧几里得空间中以获得低维表示,然后将顶点聚类成社区,并应用非参数图推理技术识别这些社区之间的结构相似性,然后可以递归地应用这两个步骤到社区上,以检测更细粒度的结构。最后,在模拟和真实数据上证明了该算法的有效性。
Mar, 2015
本文介绍了一种名为 OCSSVM 的单类切片支持向量机分类器,通过使用双平面来学习目标类别决策分数的正常区域,减少误判率,提高检测新类别实例的准确性,实验结果表明,OCSSVM 在两个公共数据集上始终优于单类支持向量机,并与最先进的单类分类器表现相当甚至更好。
Aug, 2016