Mixed-Membership of Experts Stochastic Blockmodel
社会网络分析是研究一组参与者之间的联系是如何形成的。通常认为，链接是以结构化的方式形成的，这可能是由于例如政治或物质激励，并且通常可能无法直接观察到。随机块模型使用表现出不同连接属性的潜在组来表示这种结构，因此，在两个行为者的组成员资格的条件下，它们之间形成链接的概率由连接矩阵表示。混合成员随机块模型（MMSBM）扩展了该模型，允许参与者加入不同的组，这取决于所讨论的交互，提供了进一步的灵活性。属性信息也可以在解释网络形成方面发挥重要作用。没有明确纳入协变量信息的网络模型要求分析人员以事后方式将拟合的网络模型与其他属性进行比较。我们引入了混合成员的专家随机块模型，扩展到MMSBM将协变量演员的信息到现有的模型。该方法的说明与应用程序的Lazega律师数据集。讨论了模型和变量的选择方法。
2014-04-01 stat.CO stat.ME
Functional Mixed Membership Models
提出一种用于函数型数据的贝叶斯混合成员模型，利用多元 Karhunen-Loève 定理推导高斯过程的可扩展表示，在已知特征分配矩阵下建立条件后验一致性，提升了建模灵活性并应用于自闭症儿童脑电图研究。
2023-10-21 stat.ME
Phenotype Inference with Semi-Supervised Mixed Membership Models
Columbia University（哥伦比亚大学）
疾病表型分析算法处理观察性临床数据以识别患有特定疾病的患者。有监督的表型分析方法需要大量的专家标记数据，而无监督的方法可以学习非疾病表型。为了解决这些限制，我们提出了半监督混合成员模型（SS 3 M）-一种概率图形模型，用于从具有相对较少标签的临床数据中学习疾病表型。我们表明SS 3 M可以学习可解释的疾病特异性表型，这些表型捕获了所提供的标签指定的疾病的临床特征。
2019-03-26 cs.LG q-bio.QM stat.ML
Flexible Regularized Estimation in High-Dimensional Mixed Membership Models
提出一种高维连续数据混合成员模型的概率框架，通过多元特征近似和收缩先验实现可扩展性，建立条件弱后验一致性，并在自闭症和乳腺癌数据上验证其优势。
2023-10-21 stat.ME
Exponential Family Mixed Membership Models for Soft~Clustering of Multivariate Data
几年来，基于模型的聚类方法已经成功地解决了数据分析师提出的许多挑战。然而，随着数据分析范围的发展，一些问题可能超出了标准混合模型框架。一个这样的问题是，当数据集中的观测来自重叠的聚类时，不同的聚类将拥有多个变量的相似参数。在这种情况下，混合成员模型，一种软聚类方法，观察不限于单一的集群成员，已被证明是一个有效的工具。在本文中，混合隶属度模型拟合的指数族的成员所产生的数据的方法进行了概述。应用该方法对一次超跑比赛数据进行了统计，并与标准混合模型方法进行了比较。
2016-08-10 stat.CO
Beta-Negative Binomial Process and Exchangeable Random Partitions for Mixed-Membership Modeling
采用整数值随机过程-β负二项过程（BNBP）将计数向量划分为潜在随机计数矩阵。由于支配分组数据的可交换随机分区的BNBP的边缘概率分布尚未被开发，BNBP的当前推断必须截断beta过程的原子数。本文引入了一个可交换分区的概率函数来明确地描述BNBP如何将每个组的数据点聚类成一个随机数的可交换分区，这些分区在所有组之间共享。一个完全崩溃的吉布斯采样器开发的BNBP，导致一种新的非参数贝叶斯主题模型，是不同于现有的，具有简单的实现，快速收敛，良好的混合，和国家的最先进的预测性能。
2014-12-31 stat.ME stat.ML
Variational Bayesian Inference for Bipartite Mixed-membership Stochastic Block Model with Applications to Collaborative Filtering
针对推荐系统评分预测，提出二部混合隶属度随机块模型（BM^2）及变分贝叶斯EM算法，模拟和MovieLens实验证明其优于标准SBM和其他协同过滤方法。
2023-05-09 stat.ME
Multivariate mixed membership modeling: Inferring domain-specific risk profiles
在一个分类方案中，描述个体的共享成员身份会带来严重的可解释性问题，即使使用中等数量的类（比如4个）。混合隶属度模型量化了这一现象，但它们通常更关注拟合优度而不是可解释的推断。为了实现良好的数值拟合，这些模型实际上可能需要许多极端剖面，使得结果难以解释。我们引入了一类新的多元混合隶属度模型，当变量可以被划分为基于主题的域，可以提供一个很好的适合的数据使用更少的配置文件比标准配方。所提出的模型明确占块的变量对应的不同的域以及跨域的相关性结构，这提供了新的信息共享的成员资格的个人在一个复杂的分类方案。我们指定一个多元逻辑正态分布的成员向量，这使得很容易引入辅助信息，利用潜在的多元逻辑斯谛回归。贝叶斯推理方法依赖于Pólya伽马数据增强，通过马尔可夫链蒙特卡罗促进有效的后验计算。我们将这种方法应用于巴西亚马逊边境疟疾风险随时间变化的空间显式研究。
2020-12-31 stat.AP
Dimension-Grouped Mixed Membership Models for Multivariate Categorical Data
混合隶属度模型（MMM）是一种流行的复杂多元数据的潜在结构模型。MMM不是强制每个主题属于单个集群，而是包含一个特定主题权重的向量，该向量表征跨集群的部分成员关系。这种灵活性带来了唯一识别、估计和解释参数的挑战。在这篇文章中，我们提出了一个新的类的扩展-分组MMM（Gro-M $^3$ s）的多元分类数据，它提高了简约性和可解释性。在Gro-M $^3$ s中，观测变量被划分为组，使得潜在成员资格对于组内的变量是恒定的，但是可以在组之间不同。当所有变量都在一个组中时获得传统的潜在类模型，而当每个变量都在自己的组中时获得传统的MMM。新模型对应于一种新的概率张量分解。理论上，我们推导出透明的可识别性条件，在一般设置的未知的分组结构和模型参数。在方法论上，我们提出了Dirichlet Gro-M $^3$ s的贝叶斯方法来推断变量分组结构和估计模型参数。仿真结果表明，良好的计算性能和经验确认的可识别性的结果。我们说明了新的方法，通过应用程序的功能残疾调查数据集和人格测试数据集。
2023-02-14 stat.ME
Modeling EEG Spectral Features through Warped Functional Mixed Membership Models
针对函数数据分析中的时间错位问题，提出基于贝叶斯层次的扭曲函数混合隶属度模型，可估计潜在形状、时间变换函数与隶属度，在ASD儿童脑电数据中验证有效并量化年龄等对PAF位置的影响。
2024-12-11 stat.AP stat.ME
Bayesian Discovery of Threat Networks
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Harvard University（哈佛大学）
提出了一种新的统一贝叶斯网络检测框架，并在此框架下给出了一种基于图上随机游走的网络检测算法。该算法检测威胁网络使用部分观察他们的活动，并被证明是最佳的奈曼皮尔逊意义。该算法由图、至少一个观测和威胁的扩散模型定义。链接到著名的光谱检测方法，并证明了等价的随机游走和谐波解决方案的贝叶斯公式。一个通用的扩散模型，利用顶点之间的时空关系，并用于一个特定的时空配方，导致显着的性能改善协调隐蔽网络。使用一个新的混合混合成员块模型来模拟具有现实属性的随机隐蔽网络，证明了这种性能。
2014-09-08 cs.LG cs.SI math.ST
A state-space mixed membership blockmodel for dynamic network tomography
在一个动态的社会或生物环境中，行为者之间的相互作用可能会发生巨大而系统的变化。在本文中，我们提出了一个基于模型的方法来分析我们将被称为动态断层扫描的时间演变网络。我们的方法提供了一个直观但强大的工具来推断每个演员的语义基础，如其社会角色或生物功能，所观察到的网络拓扑结构的基础。我们的模型建立在早期工作的静态网络的混合成员随机块模型，跟踪对象轨迹的状态空间模型。它克服了许多当前网络推理技术的一个主要局限性，这些技术假设每个演员扮演一个独特且不变的角色，负责与其他演员的所有交互;相反，我们的方法将每个演员的角色建模为一个随时间演化的混合成员向量，允许演员随着时间的推移表现不同，并在与不同的对等体交互时执行不同的角色/功能，这更接近现实。我们提出了一个有效的算法，近似推理和学习使用我们的模型;我们应用我们的模型来分析僧侣之间的社会网络（即，桑普森网络），安然员工之间的动态电子邮件通信网络，以及在其整个生命周期中收集的果蝇的重新布线基因相互作用网络。在所有情况下，我们的模型揭示了演员的动态角色的有趣模式。
2010-11-08 q-bio.MN q-bio.QM stat.AP
Covariate-assisted spectral clustering
University of Wisconsin（威斯康星大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
生物和社会系统由无数相互作用的单位组成。交互可以以图形或网络的形式表示。对这些图的测量可以揭示这些相互作用的底层结构，从而深入了解生成这些图的系统。此外，在诸如连接组学、社交网络和基因组学的应用中，图数据伴随着每个节点上的情境化度量。我们利用这些节点的协变量，以帮助发现潜在的社区图中，使用修改的谱聚类。统计保证下提供的联合混合模型，我们称之为节点上下文的随机块模型，包括一个绑定的错误聚类率。的界限是用来推导条件，实现完美的聚类。对于大多数模拟情况下，协变量辅助谱聚类产生优于正则化谱聚类没有节点协变量和典型相关分析的适应的结果。我们将我们的聚类方法应用于来自扩散MRI数据的大型脑图，使用节点位置或神经区域成员资格作为协变量。在这两种情况下，协变量辅助谱聚类产生的聚类更容易从神经学上解释。
2016-10-30 cs.LG math.ST stat.ME
Covariate-assisted Grade of Membership Models via Shared Latent Geometry
Columbia University（哥伦比亚大学）
本文提出了一种基于共享潜在几何的协变量辅助隶属度模型，通过整合响应和协变量信息提升潜在结构恢复的效率和准确性。
2026-01-24 stat.ME stat.ML
Variational Inference for Latent Variable Models in High Dimensions
本文提出量化平均场变分推断统计精度的通用框架，刻画其在潜在狄利克雷分配模型中的有效区间，并针对混合成员随机块模型提出更优的部分分组VI算法，给出有限样本性能界。
2025-07-16 math.PR math.ST stat.ML
Monte Carlo goodness-of-fit tests for degree corrected and related stochastic blockmodels
本研究针对网络数据的多种随机块模型变体，结合块成员估计器与代数统计工具构建有限样本拟合优度检验方法，该方法可推广至离散数据对数线性有限混合模型，为首例代数统计在潜变量模型中的应用。
2024-03-06 math.ST stat.ME stat.TH
Generalized Grade-of-Membership Estimation for High-dimensional Locally Dependent Data
本文提出一种基于奇异值分解的快速谱方法，将高维三向准张量展平为宽矩阵以估计广义隶属度模型参数，并建立有限样本误差界，在政治调查、群体遗传学和单细胞测序数据上表现优越。
2024-12-27 math.ST stat.ME stat.ML
Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound
本文提出张量混合隶属度块模型推广离散社区假设，结合HOOI与单纯形角点算法实现高效估计，推导$\u2113_{2,\u221e}$张量扰动界证明一致性，实验验证了其可发现离散模型无法识别的效应。
2024-02-01 math.OC math.ST stat.ME
A statistical interpretation of spectral embedding: the generalised random dot product graph
University of Bristol（布里斯托大学）；Heilbronn Institute for Mathematical Research（海尔布隆数学研究所）；University of Pittsburgh（匹兹堡大学）；North Carolina State University（北卡罗来纳州立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
谱嵌入是一种可以用来获得图的节点的向量表示的过程。本文提出了一个概括的潜在位置网络模型称为随机点积图，允许解释这些向量表示为潜在的位置估计。需要泛化来模拟嗜异性连接（例如，“对立面吸引”），并更普遍地处理负特征值。我们发现，无论是使用的邻接或归一化拉普拉斯矩阵，谱嵌入产生一致的潜在位置估计渐近高斯误差（可识别性）。标准和混合隶属度随机块模型是特殊情况下，其中潜在的位置只采取$K$不同的向量值，代表社区，或生活在$(K-1)$ -单纯形与这些顶点，分别。在随机块模型下，我们的理论建议谱聚类使用高斯混合模型（而不是$K$ -手段），并在混合成员资格，拟合最小体积封闭单纯形，现有的建议，以前只支持在非负定的假设。在网络安全的例子中，展示了链接预测（在随机点积图上）的经验改进，以及发现更丰富的潜在结构（比标准或混合成员随机块模型下的假设）的潜力。
2021-11-16 cs.LG stat.ML
A Spectral Method for Identifiable Grade of Membership Analysis with Binary Responses
本文针对二元响应下的隶属度等级（GoM）模型，提出一种基于奇异值分解的谱方法，利用数据矩阵低秩结构和单纯形几何实现可识别估计，并证明其一致性，兼具高计算效率与可扩展性。
2024-02-15 stat.ME
A Deterministic Hitting-Time Moment Approach to Seed-set Expansion over a Graph
我们介绍了HITMIX，一种用于网络种子集扩展的新技术，即，识别与给定顶点种子集相关的一组图顶点的问题。我们使用图的命中时间分布的矩来量化每个非种子顶点与种子集的关系。这涉及到一个确定性计算的命中时间的时刻，是可扩展的图形边缘的数量，从而避免直接采样的马尔可夫链的图形。该矩用于拟合混合模型，以估计每个非种子顶点应与种子集分组的概率。这个成员概率使我们能够以一种严格合理的方式对非种子和阈值进行排序。据我们所知，HITMIX是第一个用于种子集扩展的完整统计模型，可以给出顶点级别的成员概率。虽然HITMIX是一种全局方法，但其线性计算复杂性实际上可以在大型图上进行计算。我们有一个高性能的实现，我们提出了随机块模型和SNAP存储库的小世界网络的计算结果。在这个问题中的最先进的是最近开发的本地方法的集合，我们表明，如果我们的全球方法可以使用的解决方案的质量有明显的优势。在实践中，如果图形可以存储在内存中，我们希望能够运行HITMIX。
2020-11-18 cs.SI stat.CO stat.ME
Partial membership models for soft clustering of multivariate football player performance data
本研究针对标准混合模型硬聚类假设的局限，将贝叶斯部分隶属度模型用于足球运动员表现计数数据的软聚类，通过马尔可夫链蒙特卡洛方法推理，基于2022/2023赛季意甲数据识别球员多位置属性，为足球领域相关决策提供支持。
2025-02-14 stat.AP stat.ME
The Nonparametric Metadata Dependent Relational Model
Brown University（布朗大学）
我们介绍了非参数元数据依赖关系（NMDR）模型，贝叶斯网络数据的非参数随机块模型。NMDR允许与每个节点相关联的实体在潜在社区的无界集合中具有混合成员资格。学习回归模型允许这些成员资格依赖于任意节点元数据，并根据任意节点元数据进行预测。我们开发了有效的MCMC算法学习NMDR模型部分观察到的节点关系。回顾MCMC方法允许我们的采样器直接与NMDR的无限棒断裂表示，避免了有限截断的需要。我们的研究结果表明，从现实世界的社会和生态网络中恢复有用的潜在社区，以及元数据在链接预测任务中的有用性。
2012-06-27 cs.LG cs.SI stat.ML
Non-asymptotic goodness-of-fit tests and model selection in valued stochastic blockmodels
本文针对有值随机块模型提出非渐近拟合优度检验方法，推导马尔可夫基移动并定义统计量，验证功效与错误率，并应用于生态网络以选择块数量，结论与文献不同。
2025-10-15 cs.SI math.ST stat.ME
Mixed-Effect Time-Varying Network Model and Application in Brain Connectivity Analysis
时变网络在广泛的科学和商业学科中迅速出现。现有的动态网络模型大多局限于单主体和离散时间的环境。在这篇文章中，我们提出了一个混合效应的多主题连续时间随机块模型，在人口水平上的网络的时变行为的特征，同时考虑到个人的受试者的变异性。我们发展了一个多步优化过程的约束随机块模型估计，并推导出估计的渐近性质。我们证明了我们的方法的有效性，通过模拟和应用到青年大脑发育的研究。
2018-06-11 stat.ME
Clustering Approaches for Mixed-Type Data: A Comparative Study
CNRS, AMSE, Aix-Marseille University（法国国家科学研究中心、艾克斯-马赛经济学院、艾克斯-马赛大学）；I2M, Airbus Helicopters, Aix-Marseille University（机械与工程研究所、空客直升机公司、艾克斯-马赛大学）
本文比较了混合类型数据聚类方法，发现KAMILA、LCM和k-prototypes在调整兰德指数上表现最佳。
2025-11-24 cs.LG stat.AP stat.ME
A Bayesian Finite Mixture Model with Variable Selection for Data with Mixed-type Variables
University of Florida（佛罗里达大学）；University of Florida Health Cancer Center（佛罗里达大学健康癌症中心）；University of Pittsburgh（匹兹堡大学）
有限混合模型是聚类方法的一个重要分支，可以应用于混合类型变量的数据集。然而，在其应用中存在挑战。首先，它通常依赖于期望最大化算法，该算法可能对初始值的选择敏感。其次，生物标志物受检测限（LOD）的限制在临床数据中是常见的，这将删失变量带入有限混合模型。此外，由于可用于聚类的变量数量越来越多，研究人员最近对变量重要性越来越感兴趣。为了解决这些挑战，我们提出了一个贝叶斯有限混合模型，同时进行变量选择，占生物标志物LOD和获得聚类结果。为了克服期望最大化算法的局限性，我们采用贝叶斯方法来获得参数估计和聚类隶属度。为了解释LOD，我们在吉布斯抽样中增加了一个步骤，以迭代地填充低于或高于LOD的生物标志物值。此外，我们把一个尖峰和平板型的先验对每个变量，以获得变量的重要性。在各种情况下进行模拟，以检查这种方法的性能。还进行了电子健康记录的真实数据应用。
2019-05-09 cs.LG stat.AP stat.ML
Mixed Membership Models for Time Series
University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
在这篇文章中，我们讨论了混合成员的观点对时间序列分析的一些后果。在其最抽象的形式中，混合成员关系模型旨在基于观察到的数据集合将单个实体与某个属性集相关联。虽然许多关于混合成员模型的文献考虑了可交换的数据集合与一组实体中的每个成员相关联的设置，但同样自然的是考虑将整个时间序列视为一个实体的问题，其目标是根据一组基本动态属性或“动态机制”来表征时间序列。事实上，这种观点已经存在于经典的隐马尔可夫模型中，其中动态机制被称为“状态”，并且在底层过程的样本路径中实现的状态的集合可以被视为所观察到的时间序列的混合成员特征。这里我们的目标是回顾混合成员框架的最新发展为时间序列提供的一些更丰富的建模可能性。
2013-09-13 cs.LG stat.ME stat.ML
Inferences on Mixing Probabilities and Ranking in Mixed-Membership Models
针对网络潜在结构分析需求，本文基于DCMM模型推导成员混合概率的有限样本展开式，得到其渐近分布与置信区间，还提出顶点排序方案及乘子bootstrap推断方法，经真实与合成数据验证了理论有效性。
2023-08-29 math.ST stat.ME stat.ML
A global optimization algorithm for sparse mixed membership matrix factorization
混合隶属因子分解是分析样本内异质性数据集的一种常用方法。近年来，已经开发了几种算法用于混合隶属度矩阵分解，但它们只能保证从局部最优估计。在这里，我们推导出一个全局优化（GOP）算法，提供了一个保证$ε$ -全局最优的稀疏混合隶属度矩阵分解问题。我们在模拟数据上测试了该算法，发现该算法在随机初始化过程中始终保持全局最优，并有效地探索了多个模式。
2016-10-24 math.OC stat.ME stat.ML
Mixed Membership Models for Multilevel Functional Data
UCLA（加州大学洛杉矶分校）
本文提出多级函数数据的混合成员模型，利用层次结构扩展传统聚类，通过混合成员概念提升模型灵活性和可扩展性，应用于自闭症儿童脑电图研究。
2026-04-10 stat.ME
Uncertainty quantification for mixed membership in multilayer networks with degree heterogeneity using Gaussian variational inference
Indiana University（印第安纳大学）；University of Central Florida（中佛罗里达大学）
本文提出了一种基于高斯变分推断的框架，用于在具有度异质性的多层网络中量化混合成员的不确定性，通过谱辅助似然和随机梯度下降实现高效推断，并在机场网络中验证了其有效性。
2025-12-09 math.ST stat.CO stat.ME
Simultaneous estimation of connectivity and dimensionality in samples of networks
本文针对多样本网络数据，提出在预估计社区结构后，通过凸优化和交替方向乘子法联合估计连接概率矩阵及其嵌入维度，并在理论和数值实验中验证其优于传统平均方法。
2025-08-17 math.ST stat.ME stat.ML
Infinite Hierarchical MMSB Model for Nested Communities/Groups in Social Networks
在现实的社交网络中，参与者扮演的不是一个角色，而是许多不同的角色，这取决于他们与谁互动，大量的这种角色特定的互动共同决定了社会社区及其组织。分析社交网络的方法应该捕捉这些多方面的角色特定的互动，更有趣的是，发现潜在的组织或社会社区的层次结构。我们提出了一个分层的混合成员随机块模型来模拟社会社区中的层次结构的生成，这些社区的子集的演员的选择性成员资格，以及由此产生的网络，由于内部和跨社区的相互作用。此外，自动发现这些潜在的结构，从社交网络，我们开发了一个吉布斯抽样算法为我们的模型。我们使用合成网络对我们的模型进行了广泛的验证，并在现实世界的数据集（如捕食者-猎物网络和引用网络）中展示了我们的模型的实用性。
2010-10-09 stat.ME stat.ML
Clustering high dimensional mixed data to uncover sub-phenotypes:joint analysis of phenotypic and genotypic data
LIPGENE-SU.VI.MAX研究与许多其他研究一样，记录了高维连续表型数据和分类基因型数据。LIPGENE-SU.VI.MAX专注于在研究代谢综合征（MetS）时考虑表型和遗传因素的需要，代谢综合征是一种复杂的疾病，可导致2型糖尿病和心血管疾病的风险更高。兴趣在于通过共同考虑其表型和基因型数据将LIPGENE-SU.VI.MAX参与者聚类为同质组或亚表型，并确定哪些变量具有歧视性。一种新的潜变量模型，优雅地容纳高维，混合数据的开发，使用贝叶斯有限混合模型聚类LIPGENE-SU.VI.MAX参与者。一个计算效率高的变量选择算法，估计是通过一个吉布斯抽样算法和一个近似的BIC-MCMC准则来选择最优模型。发现了两个聚类或亚表型（“健康”和“有风险”）。一小部分变量被认为是歧视性的，特别是包括表型和基因型变量，强调需要联合考虑这两个因素。此外，在收集LIPGENE-SU.VI.MAX数据七年后，参与者接受了进一步分析以诊断MetS的存在或不存在。两个未发现的亚表型强烈对应于7年随访疾病分类，突出了表型和基因型因素在MetS中的作用，并强调了聚类方法在早期筛选中的潜在效用。此外，所提出的方法在参与者层面定义亚表型成员资格的不确定性的能力与精准医学和营养的概念是同义的。
2018-05-24 stat.AP
Mixed Membership Estimation for Social Networks
在经济学和社会科学中，经常观察网络数据，深入了解网络社区结构有助于理解经济模式和活动。考虑具有$n$节点和$K$社区的无向网络。我们使用度校正混合成员关系（DCMM）模型对网络进行建模，其中对于每个节点$i$，存在成员关系向量$π_i = (π_i(1), π_i(2), \ldots, π_i(K))'$，其中$π_i(k)$是节点$i$在社区$k$，$1 \leq k \leq K$中的权重。与著名的随机块模型（SBM）相比，DCMM允许严重程度的异质性和混合成员，使其更加现实和普遍。我们提出了一种有效的方法，混合评分，估计所有节点的混合隶属度向量和其他DCMM参数。这种方法的灵感来自于在谱域中发现一个精致的单纯形结构。我们推导出明确的错误率的混合评分算法，并证明它是在一个广泛的参数空间的速率最优。我们的研究结果为网络社区分析提供了一种新的统计工具，可用于了解网络形成，提取节点特征，识别二元回归中未观察到的协变量，并估计同伴效应。我们将混合评分应用于政治博客网络，两个贸易网络，合著网络和被引用网络，并获得了可解释的结果。
2022-12-21 stat.ME
A Variational EM Method for Mixed Membership Models with Multivariate Rank Data: an Analysis of Public Policy Preferences
在这篇文章中，我们考虑从一个异质性的人口建模排名的反应。具体而言，我们分析了来自欧洲晴雨表34.1调查的数据，这些数据涉及对毒品、酒精和艾滋病的公共政策偏好。这种政策倾向可能在欧洲各国内部以及各国之间表现出巨大的差异，反映出各种各样的文化、政治派别、意识形态观点和共同做法。我们使用一个混合的成员资格模型来考虑多个子组不同的偏好，并允许每个人拥有部分成员资格在一个以上的子组。以前的方法拟合混合隶属度模型排名数据在一个单变量设置利用MCMC方法，不估计每个亚组的相对频率。本文提出了一种变分EM方法来拟合具有多元秩数据的混合隶属度模型。我们的方法允许快速近似推理，并明确估计的子群大小。分析欧洲晴雨表34.1的数据，我们发现可解释的亚组，一般同意“左与右”的政治意识形态分类。
2017-02-24 stat.AP stat.ME
Mixed-Membership Stochastic Block-Models for Transactional Networks
Acadia University（阿卡迪亚大学）
transmitting网络数据可以被认为是一对多通信的列表（例如，电子邮件）。大多数社交网络模型将这种类型的数据转换为节点对之间的二元关系。我们开发了一个潜在的混合成员资格模型，能够建模更丰富的形式的交易网络数据，包括两个以上的节点之间的关系。该模型能够实现节点的聚类和事务的预测。该模型的块模型性质意味着可以以非常一般的方式描述群体。这种灵活的组结构概念使得能够在事务网络中发现丰富的结构。通过变分期望最大化算法完成估计和推断。仿真结果表明，该学习算法能够恢复正确的生成模型。在安然电子邮件数据集和从Reddit网站提取的另一个数据集中发现了有趣的结构。Reddit数据的分析是通过一种新的性能指标来比较两个软集群的。新模型在发现组中的混合成员和预测事务方面更优越。
2010-10-07 cs.AI cs.SI stat.AP
Impact of regularization on spectral clustering under the mixed membership stochastic block model
混合成员社区检测是网络分析中的一个挑战性问题。为了估计混合隶属度随机块（MMSB）模型下的隶属度，研究正则化谱聚类的影响，提出了两种基于正则化拉普拉斯矩阵的谱聚类方法：单纯形正则化谱聚类（SRSC）和锥正则化谱聚类（CRSC）.基于种群正则化Laplacian矩阵特征分解变量的理想单纯形结构和理想锥结构，设计了SRSC和CRSC方法。我们表明，这两种方法SRSC和CRSC是渐近一致的温和条件下，通过提供误差界下推断的隶属度向量的每个节点MMSB。通过理论分析，给出了正则化子$τ$的上下界.通过引入参数收敛概率，我们可以直接看到，当$τ$较大时，这两种方法仍然可能具有较低的错误率，但概率较小。因此我们给出了一个经验性的最优选择$τ$是$O(log(n))$，用$n$检测稀疏网络的节点数。所提出的两种方法被成功地应用于合成和经验网络与一些基准方法相比，令人鼓舞的结果。
2021-07-30 stat.ME
Two-Sample Hypothesis Testing for Subspace Equality in Network Data
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对两个网络是否共享相同子空间（如社区结构）的零假设，提出基于投影矩阵差的Frobenius范数检验统计量，证明其在平均期望度对数增长下渐近正态，并给出均值和方差估计及局部功效。
2026-06-09 math.ST stat.ME stat.TH
Longitudinal Mixed Membership trajectory models for disability survey data
我们开发了离散多变量纵向数据的分析方法，并将其应用于1982-2004年美国国家长期护理调查（NLTCS）中美国老年人口的功能残疾数据。我们的模型建立在一个混合成员框架，其中个人被允许在一组极端的配置文件上的多个成员资格，其特征是随时间变化的残疾发展轨迹。我们还开发了一个扩展，使我们能够纳入出生队列效应，以评估代际变化。应用这些方法，我们发现，大多数人遵循的轨迹，这意味着一个晚发性残疾，和年轻的队列往往发展残疾在生命的后期阶段相比，他们的长辈。
2015-03-04 stat.AP stat.ME
Exact conditional goodness-of-fit tests for the mixed membership stochastic block model
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
针对有向混合成员随机块模型，提出基于块对边总数的精确条件拟合优度检验，用于检测残差发送者/接收者异质性、互惠性和有向传递闭合性。
2026-06-01 stat.ME
SIMPLE: Statistical Inference on Membership Profiles in Large Networks
网络数据在许多当代大数据应用中普遍存在，其中的共同兴趣是揭示不同节点对之间重要的潜在链接。然而，一个简单的基本问题，即如何精确地量化与识别潜在联系相关的统计不确定性，仍然在很大程度上未被探索。在度修正的混合成员关系模型下，提出了大型网络成员关系剖面的统计推断方法（SIMPLE），其中原假设假设节点对共享相同的社区成员关系剖面.在更简单的情况下，没有程度的异质性，该模型减少到混合隶属度模型，也提出了一种替代更强大的测试。这两种检验都是基于经验特征向量或其比值行的Hotelling型统计量，其渐近协方差阵的推导和估计非常具有挑战性。给出了它们的解析表达式，并对未知的协方差阵进行了一致估计.在较弱的正则条件下，分别建立了原假设和邻接备择假设下两种形式的SIMPLE检验统计量的精确极限分布.它们分别是卡方分布和非中心χ 2分布，其自由度取决于是否校正。我们还解决了重要的问题，估计未知数的社区和建立相关的检验统计量的渐近性质。我们的新程序的优点和实际效用的大小和功率方面的证明，通过几个模拟的例子和实际的网络应用。
2021-08-29 math.ST stat.ME stat.ML
Mixed Membership Model of Low-rank Matrices with Multimodal Extension
Columbia University（哥伦比亚大学）；The University of Sydney Business School（悉尼大学商学院）；University of Michigan（密歇根大学）
针对矩阵值数据提出带多模态扩展的低秩混合隶属度模型，兼具可解释群体原型与连续受试者隶属度，在模拟及人类连接组计划数据中表现优异，达极小极大最优重构率。
2026-08-20 stat.ME
Covariate Adjusted Functional Mixed Membership Models
本文提出协变量调整的函数型混合成员模型，利用多元Karhunen-Loève分解实现可扩展建模，并证明模型可识别性，用于刻画TD儿童与ASD儿童alpha振荡随年龄变化的异质性发育轨迹。
2024-10-01 stat.ME
Transfer Learning for Degree-Corrected Mixed Membership Network Models
Institute for Financial Studies, Shandong University（山东大学金融研究院）；School of Mathematics, Shandong University（山东大学数学学院）
本文提出基于DCMM模型的迁移学习方法，通过利用源数据提升目标网络结构估计精度，理论证明了知识迁移对连接概率矩阵估计的提升作用，并提出随机投影和迭代截断算法以应对计算负担。
2026-04-21 stat.ME
PriME: Privacy-aware Membership profile Estimation in networks
Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）；The Ohio State University（俄亥俄州立大学）
PriME通过隐私保护机制实现网络中社区成员资格的准确估计，结合对称边翻转与谱聚类，提供最优隐私保护下的估计方法。
2025-11-25 cs.SI math.ST stat.ME
Grade of membership analysis for multi-layer ordinal categorical data
School of Economics and Finance, Chongqing University of Technology（重庆理工大学经济与金融学院）
本文提出多层GoM模型，用于分析多层有序分类数据，通过GoM-DSoG方法估计混合隶属度，并验证了其在确定潜在类别数量上的有效性。
2026-02-25 stat.ME
A Dirichlet Mixed-Membership Model for Exact Multivariate Distributional Credibility
Nanyang Business School, Nanyang Technological University（南洋商学院，南洋理工大学）
本文提出Dirichlet混合成员模型（DMMM），将多元分布信度扩展至条件均值之外，通过潜在风险类别组合个体经验与组合信息，实现精确后验预测并应用于车辆远程信息处理。
2026-10-06 q-fin.RM stat.ME
Logistic Regression Augmented Community Detection for Network Data with Application in Identifying Autism-Related Gene Pathways
当寻找导致特定疾病结果的基因通路时，通常可以获得关于基因特征的额外信息，当观察到涉及两种类型基因的连接并且它们与疾病的关系未知时，这些信息可以有助于区分与疾病相关的基因和不相关的背景。我们提出了一种通过逻辑斯谛回归在辅助信息的帮助下挑选出不相关背景基因的方法，并使用邻接矩阵将相关基因聚类成内聚群。修改期望最大化算法，以最大化联合伪似然，假设与疾病相关的潜在指标和潜在组成员以及组内和组间的泊松或多项式分布链接数。一个强大的版本，允许任意连锁模式的背景下，进一步推导。证明了随机块模型下标签分配的渐近一致性。在模拟研究中观察到有限样本的优越性能和鲁棒性。所提出的鲁棒方法使用包括从头突变、基因表达和蛋白质-蛋白质相互作用在内的多种数据源来识别先前遗漏的自闭症相关神经系统疾病相关基因集。
2018-09-07 cs.LG stat.ME stat.ML
A Latent Trajectory Analysis for Multivariate Outcomes with Mixed-Scale: Application to Alzheimer's Disease Neuroimaging Initiative
Department of Biostatistics, Boston University School of Public Health（波士顿大学公共卫生学院生物统计系）
本研究提出针对混合尺度多元纵向结局的新型潜在轨迹模型，结合期望最大化算法，将其应用于ADNI研究，以识别动态亚组、揭示预后指标，支持个体化治疗规划。
2026-08-10 stat.ME
The SCORE normalization, especially for highly heterogeneous network and text data
SCORE是一种用于网络社区发现的谱方法。由于许多网络具有严重的度异质性，普通的谱聚类（OSC）方法的社区发现可能无法令人满意的表现。SCORE通过在谱域引入新的归一化思想来缓解度异质性的影响，使OSC更加有效。SCORE易于使用，计算速度快。它很容易适应新的方向，并在实践中看到越来越多的兴趣。本文综述了SCORE的基本原理，SCORE在网络混合隶属度估计和主题建模中的应用，以及SCORE在实际数据中的应用，包括两个统计学家发表的数据集。我们还回顾了SCORE的理论“意识形态”。我们表明，在谱域中，SCORE转换一个单纯锥到一个单纯形，并提供了一个简单而直接的联系之间的单纯形和网络成员。SCORE算法在社区发现中具有指数级的检测率和尖锐的相变，在混合隶属度估计和主题建模中具有最优的检测率。
2022-04-23 cs.SI stat.ME
Revealing Cluster Structures Based on Mixed Sampling Frequencies
本文提出了一个新的线性混合数据抽样模型（MIDAS），并开发了一个框架，以推断集群的面板回归与混合频率数据。线性化MIDAS估计方法比竞争方法更灵活，实现起来也简单得多。我们表明，所提出的聚类算法成功地恢复真正的成员在横截面，无论是在理论上和模拟，而不需要事先知道的集群的数量。这种方法适用于混合频率奥肯定律模型在美国的国家级数据，并揭示了四个有意义的集群的基础上，国家级的劳动力市场的动态特征。
2021-02-02 econ.EM stat.ME
A new LDA formulation with covariates
潜在狄利克雷分配（LDA）模型是一种用于创建混合成员集群的流行方法。尽管LDA最初是为文本分析而开发的，但它已被广泛用于其他应用。我们提出了一个新的制定LDA模型，其中包括协变量。在这个模型中，LDA中嵌入了一个负二项回归，可以直接解释回归系数，并分析每个采样单元中特定于聚类的元素的数量（而不是像结构主题模型那样，分析重点是对每个聚类的比例进行建模）。我们使用切片抽样的吉布斯抽样算法来估计模型参数。我们依靠模拟来展示我们的算法如何能够成功地检索真实的参数值，以及使用协变量给出的信息来预测丰度矩阵的能力。该模型使用来自三个不同领域的真实数据集进行说明：冠状病毒文章的文本挖掘，杂货店购物篮的分析以及Barro Colorado Island（巴拿马）的树种生态。该模型允许识别离散数据中的混合成员聚类，并提供协变量与这些聚类丰度之间关系的推断。
2022-02-18 cs.IR cs.LG stat.ME
