亚二次时间内的可扩展网络重建
从动态或行为数据中重建网络的一个基本问题在于以能够防止过拟合的方式确定最适合的模型复杂度,并生成具有统计合理边数的推断网络。与常见做法 L1 正则化结合交叉验证相比,本文提出了一种基于层级贝叶斯推断和权重量化的非参数正则化方法,该方法能够提高网络重建的准确性,并且不需要事先知道边的数量。特别是在关于大规模物种数量的微生物群落间相互作用网络重建方面,我们展示了该方法的应用,并演示了利用推断模型预测系统干预结果的能力。
May, 2024
研究了图结构识别问题,通过观测到的时间序列,从线性随机网络动态系统的状态设置中获取组件,计算了特征向量,并使用这些特征来训练卷积神经网络进行因果推断,在各种网络上推广良好,可解决大规模系统中不能处理所有节点的问题。
Aug, 2022
本文使用 l1 正则化最大似然框架研究了一般连续时间扩散模型的网络结构推断问题。我们证明了只要级联采样过程满足自然的不相干条件,我们的框架可以在观察到 O (d3logN) 个级联的情况下高概率地恢复正确的网络结构。此外,我们开发了一个简单有效的软阈值推断算法,并证明我们的框架在实践中优于其他替代方案。
May, 2014
本文研究了从观察数据中学习线性结构方程模型(SEMs)的算法问题,旨在实现计算和统计效率,解决较一般的识别问题并没有考虑 “信仰” 假设的情形,提供了一个高效的算法,能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。
Jul, 2017
研究图网络推断问题,探讨基于稀疏恢复的级联模型,提出第一个可以高概率和 O(slog m)的测量找到图的边缘的算法,并能恢复边权及适用于近似稀疏条件下的情景。最后,通过人造数据验证了本算法的可靠性及降低边缘误差和参数估计误差的能力。
May, 2015
在平均度数不变的情况下,考虑了随机块模型中聚类(或重构)的问题。通过新的非重新构建和块模型与具有相同平均度数的 Erdős-Rényi 模型的不可区分性之间的联系,给出了聚类不可能的充分条件。
Apr, 2014
本研究提出了一种基于压缩感知的框架来重建随机扩散动力学下的复杂网络,并应用到模型和真实网络中。研究表明,从少量二元数据可以实现不均匀交互的全面重建。此外,该方法还可以确定并高度可信地定位隐含的触发扩散过程并在其外部不可访问的源,从而为追踪和控制复杂网络系统中的流行入侵和信息扩散建立了一个范例。
Jul, 2014
本文介绍了两种新的机器学习方法来估计时间变化的网络,采用了一种顺序平滑的 $l_{1}$ 正则化逻辑回归形式,可用作标准凸优化问题,并利用通用求解器高效地解决大型网络。本文在虚拟数据集中还原时间变化网络,同时,从议员投票记录中反向构建了渐进改组政治网络的潜在序列,以及从周期性实验中重建了生物当量基因网络中的潜在演化调控网络。
Dec, 2008
该研究提出了基于矢量自回归模型的无偏估计方法和高斯混合模型算法,用于在节点信息部分观察的情况下推断网络拓扑结构,数值实验结果表明该算法在小样本情况下具有更好性能。
Mar, 2022