情境随机块模型
该研究从信息论的角度考虑了在多个可能相关的图上的社区检测问题。通过建立多视图随机块模型 (MVSBM),我们得出了一个信息论的上界和下界,当 MVSBM 的模型参数超过某个阈值时可以实现准确的社区恢复,否则期望的错误分类节点数将大于一。
Jan, 2024
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
本研究在考虑顶点度数变化的情况下,提出了一种改进的目标函数用于复杂网络社区结构检测,并提出了一种针对此函数或其非度数校正版本的启发式算法,表明度数校正版本在真实和合成网络中的表现显著优于未校正版本。
Aug, 2010
通过将节点属性数据纳入超图中的社区结构学习,本研究提出了一种统计框架 HyperNEO,可以增强合成和实际超图中社区结构的学习效果,同时将使用随机块模型等模型获得的学习表示应用降维方法 UMAP 可以将节点映射到二维向量空间,从而在实际超图中部分保留社区结构,促进了对实际复杂系统中高阶社区结构的研究和理解。
Jan, 2024
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
研究一种用于不规则网络与潜在属性的随机图模型,提出了一种计算有效性的光谱算法并展示了其可在部分可观察网络下进行渐近正确的推测,作为其分析的副产品,该模型提供了一种构建具有预先指定的特征谱的随机图模型的通用程序。
Jun, 2014
在高斯图模型的框架下,我们引入一种新颖的分解方法,将基础图结构分解为稀疏部分和低秩对角块(非重叠社区),并提出一个三阶段估计过程以及快速高效的算法用于识别稀疏结构和社区。通过两种建模方式展示了这种分解的重要性,并在理论层面上建立了局部可辨识性的条件,并通过构造一种有效的范数将传统的不可表示性条件拓展为自适应形式,确保自适应 l1 惩罚估计器在第二阶段的模型选择的一致性。此外,我们还为第三阶段的 K 均值聚类过程提供了聚类误差界限。通过大量的数值实验,证明了所提方法在估计图结构方面的优越性。此外,我们还将该方法应用于股票回报数据,展示了其准确识别非重叠社区结构的能力。
May, 2024
本文利用统计物理的空穴方法,对社交和生物网络中的随机块模型进行了研究,从拓扑学的角度来推断功能群或社区。我们详细描述了一些性质,例如检测性 / 不可检测性的相变和社区检测问题的易于 / 困难的相变,并将分析自然翻译为信念传播算法。该算法在最优方式下推断节点的组成员资格,并学习该块模型的潜在参数,最后应用于两个真实世界的网络并讨论其性能。
Sep, 2011