受限 Tweedie 随机块模型
本文介绍了一种用于建模有向加权网络的方法 ——Directed Distribution-Free model,它可以更好地解释在多个领域中出现的块状结构,并使用带有理论保证的谱算法来识别社区。
Sep, 2021
本文介绍了利用贝叶斯推断从网络数据中提取大规模模块化结构的方法,重点介绍了基于随机块模型(SBM),以及其度修正和重叠推广。提供了一种允许防止过度拟合,实现模型选择的非参数公式。讨论了先验选择的方面,特别是如何通过加强贝叶斯层次结构来避免欠拟合,同时描述了执行单点估计和采样网络分区的有效算法。还展示了如何利用推断 SBM 来预测丢失和虚假链接,并揭示了网络中模块化结构可检测性的根本限制。
May, 2017
本文提出了一种基于凸规划松弛和新的双重加权 $k$- 中位数方法的凸化模块化最大化方法,用于估算 DCSBM 下的隐藏社群,通过实验结果表明本方法相对于文献中现有的最先进方法具有竞争力的性能表现。
Dec, 2015
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
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
本文主要研究了随机块模型的聚类问题和主动学习的应用,发现在一定条件下,即使在聚类阈值以下,仅仅采样少量的节点标签,也能高概率地完成完整的社区检测,所提供的高效学习算法能够很好地验证这一理论,并通过数值实验进行了验证。
May, 2016
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