Feb, 2024

通过随机梯度 MCMC 扩展动态边缘分区模型

PDF
TL;DR该论文介绍了一种用于从静态图结构数据中提取重叠社区结构的边缘划分模型，通过使用 Dirichlet 先验规范，结合时间演化行为和负二项分布增广技术，提出了负二项分布增广技术的吉布斯采样器和用于可伸缩推理的随机梯度马尔可夫链蒙特卡罗算法，并证明这些方法在链路预测方面具有竞争性的性能而且速度更快。
edge partition modelgenerative modeloverlapping community structuredynamic environmentscalable inference
发现论文，激发创造
  • 基于无限边分区模型的重叠社区检测和链接预测

    使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系，可以发现重叠社区和社区间交互作用，并自动推断社区数量，实验结果表明其可扩展性和最先进性能。

    Jan, 2015

  • 一种用于动态网络中潜在节点组成员的泊松伽玛概率模型

    本文提出一种基于概率模型的算法，用于动态关系数据学习，利用伯努利泊松链接函数对网络节点的观测交互进行建模，并用假设为伽马分布的非负潜在节点组成员资格描述底层网络结构，而潜在成员组则根据马尔可夫过程演化。方法的最优成员组数可以由数据本身决定，其计算复杂度随着非零链接数量的增加而增加，适用于大规模稀疏动态关系数据，本文的批处理和在线 Gibbs 采样算法用于模型推断，最后我们将模型的性能与一流方法相比，应用于合成和实际世界的数据集上。

    May, 2018

  • 扩展随机块模型及其在犯罪网络中的应用

    通过基于吉布斯先验的扩展随机块模型（ESBM），本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题，并针对各类不确定性提出了更准确的建模、估计和预测策略，其中以 Gnedin 过程为先验的 ESBM 表现出较高的准确性。

    Jul, 2020

  • 动态规划与 MCMC 的贝叶斯结构学习

    本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布，以在更短的时间内收敛于后验概率，从而实现更准确的结构学习和更高的测试数据预测似然。

    Jun, 2012

  • 利用随机分割树并行化 MCMC 算法

    本文介绍了一种新的 EP-MCMC 算法 ——PART, 采用随机划分树来合并子集后验抽取样本，该算法具有分布自由性，易于再抽样和适用于多个比例的优点。理论和实验表明，该算法在大数据集上表现良好。

    Jun, 2015

  • 基于混合成员随机块模型的可扩展 MCMC 算法

    本文提出了一种基于随机梯度马尔科夫链蒙特卡罗算法的用于混合成员随机块模型中可扩展推理的方法。该算法利用了随机梯度黎曼 Langevin 采样器，每次迭代都能实现更快的速度和更高的精度，比基于随机变分推理的当前最先进算法更优，同时我们还开发了一种适用于处理大量社区的近似方法。实验结果表明，SG-MCMC 在所有情况下均优于竞争算法。

    Oct, 2015

  • 图形模型的顺序蒙特卡罗方法

    通过提出一种新的框架，使用顺序蒙特卡罗方法对概率图模型进行推断，其目的是通过针对辅助分布来逼近概率图模型定义的全联合分布，并用于构建一般 PGM 的高维块采样算法。

    Feb, 2014

  • 利用尖锐特征向量偏差估计混合成员资格

    本文提出了一种用于混合成员随机块模型网络中每个节点的社区成员资格向量的收敛速度的算法，该算法是首次建立对于重叠社区检测的每个节点的速率，并基于人口矩阵的特殊结构以及基于优化领域的现有算法的果断定位方法。

    Sep, 2017

  • 使用随机梯度哈密顿蒙特卡罗推断深高斯过程

    本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样，提供了一种新的推断方法，成为 Deep Gaussian Processes 领域新的最优模型。

    Jun, 2018

  • 合并 - 分离马尔科夫链蒙特卡罗法在社区检测中的应用

    本文介绍了一种基于群组合并与拆分的马尔可夫链蒙特卡罗算法，能够有效地从后验概率分布中采样网络分区，尤其是针对随机块模型。我们证明了基于单个节点移动的方法即使在小型网络上也无法正确采样后验分布，而我们的合并拆分方法表现明显更好，在典型情况下改善了马尔可夫链混合时间数个数量级。我们还展示了该方案如何直接扩展为随机块模型的嵌套版本，从而得到分层网络分区的渐进精确样本。

    Mar, 2020