通过轨迹检测群体中的组织证据
本文提出了自动确定Stochastic Blockmodel所生成的图中聚类数的方法。通过剖析相应的邻接矩阵的主特征值限制分布并用于假设检验,提出了一个递归二分算法,该算法在真实世界的定量分类任务中表现优于现有概率模型,并且在未标记的网络中揭示出嵌套的社区结构。
Nov, 2013
本文提出了两种基于特征值计算的分析有向图中节点间循环模式与非循环模式连接的光谱聚类算法,相比于当前的方法在实验中表现更好,并成功应用于食物链的分类和互联网服务提供商之间协议的层级结构的高亮显示
May, 2018
本文提出了一个基于 Composable Team Hierarchies 的生成式模型,通过贝叶斯推理来推断潜在的关系并预测多个智能体在空间随机游戏中的行为,该算法可以迅速恢复智能体之间如何相关的基本模型,算法的推理模式与人类判断非常相似。
Jan, 2019
本文介绍了社区检测的基本问题,即如何把社交网络中具有明确社交关系的社会行为者分成紧密相连和高度相关的群体,并详细介绍了使用节点属性的方法,对已知的方法进行分类,提供了每种方法的一般技术思想,分析了当前领域的状况并揭示了一些需要未来解决的问题。
Dec, 2019
在不断演变的网络中,提出了通过挖掘时间持续的活动(称为活动片段)来研究网络演化特征的方法,并设计了PENminer算法进行实现。在实验中发现了许多有趣的现象,同时,在多个网络中进行异常检测实验时,超过了现有的方法。
Jun, 2020
本文提出了一种群组感知的关系推理方法,命名为EvolveHypergraph,通过推断动态演化的关系来预测多智能体轨迹,该方法在多个数据集上得到了最先进的性能,并提高了推理关系的可解释性和稳定性。
Aug, 2022
该研究提出了一个名为“swarm analytics”的新领域,旨在设计和组织一组关于蜂群的信息标记,以便从外部观察者的角度对蜂群进行特征化,并介绍了其设计的信息标记框架以了解蜂群的认知和动态特征。
Aug, 2022
本文提出了一种基于逻辑程序的形式化语言MANCaLog,该语言满足了前人提出的关于在复杂网络中进行推理的建议,重点研究了社交网络中确定组成员身份的问题,并提出了一种方法来达到更好的社交网络挖掘效果。
Sep, 2022
我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失,能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比,在保持准确性的同时,实现了高速的推理时间。该方法适用于实时的机器人应用。
Apr, 2023