Co-evolution of Selection and Influence in Social Networks
许多网络是复杂的动态系统,其中节点的属性和网络的拓扑结构(链路结构)都可以随时间而变化。我们提出了一个协同演化网络模型,其中节点属性和网络结构在相互影响下演化。具体来说,我们考虑一个混合成员随机块模型,其中观察到两个节点之间的链接的概率取决于它们当前的成员向量,而这些成员向量本身在节点之间存在链接的情况下演变。因此,网络是由描述节点的随机过程的相互作用形成的,而过程本身受到网络结构变化的影响。我们推导出一个有效的变分推理程序,我们的模型,并验证模型的合成和真实世界的数据。
2011-06-14 cs.SI physics.soc-ph stat.ML
Alternative Blockmodelling
THE UNIVERSITY OF MELBOURNE(墨尔本大学)
已经提出了许多方法来发现网络中的集群。社区发现领域包括试图发现其中节点在其中紧密相关但与其他集群的节点松散相关的集群的方法。然而,社区网络配置并不是图中唯一可能的潜在结构。核心-外围和层次网络配置是在关系数据集中发现的有效结构。另一方面,仅知道每个节点的成员身份并不能完全解释网络。需要一个群集间关系的高级视图。Blockmodeling技术处理这两个问题。首先,块建模允许找到除了众所周知的社区结构之外的任何网络配置。其次,块模型是网络的概括表示,它不仅考虑节点的成员关系,还考虑集群之间的关系。最后,网络的唯一摘要表示是不可能的。网络可能隐藏不止一个块模型。因此,我们提出的问题的目的是发现一个二级块模型表示的网络是质量好,不同的相对于一个给定的块模型。我们的方法是通过两种方法,(a)包括不能链接的约束和(b)图像矩阵之间的相异性。这两种方法都是基于非负矩阵分解NMF,它适合块模型表示。这两种方法的评估考虑了所发现的替代块模型的质量和相异性,因为这些是问题的要求。
2019-07-27 cs.LG cs.SI stat.ML
Modeling the social media relationships of Irish politicians using a generalized latent space stochastic blockmodel
爱尔兰众议院是爱尔兰议会的主要议院。第31届爱尔兰众议院是爱尔兰议会的主要议院。第31届众议院于2011年3月11日至2016年2月6日举行会议。众议院的许多成员在社交媒体上很活跃,许多人是推特用户,他们关注众议院的其他成员。这些政治家的追随模式为众议院内部的政治联盟提供了见解。我们提出了一个新的模型,称为广义潜在空间随机块模型,扩展和推广潜在空间模型和随机块模型来研究议会成员之间的社交媒体联系。网络中两个节点之间的边的概率取决于它们各自的类标签以及未观察到的潜在空间中的潜在位置。所提出的模型是能够代表传递性,聚类,以及dispersionative混合。提出了一种基于马尔可夫链蒙特卡罗抽样的贝叶斯模型参数估计方法。模型选择是使用WAIC标准和模型的不同数量的类或潜在空间的维度进行比较。我们使用该模型来研究Twitter以下的Dáil成员的关系,并解释这些关系中发现的结构。我们发现,政治家之间的以下关系主要是由过去和现在的政党成员。我们还发现,在研究众议院内的投票时,建模输出是翔实的。
2020-12-13 stat.AP
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
Dynamic Stochastic Blockmodel Regression for Network Data: Application to International Militarized Conflicts
社会科学研究的一个主要目标是了解潜在群体成员如何预测网络演化的动态过程。例如,在对国际军事化冲突进行建模时,学者们假设地缘政治联盟的成员资格塑造了参与冲突的决定。这些理论解释了节点和二元特征如何通过对群体成员的影响,影响冲突模式随时间的演变。为了帮助这些参数的实证检验,我们开发了一个动态模型的网络数据相结合的隐马尔可夫模型与混合成员随机块模型,确定潜在的群体的网络结构。与现有的模型不同,我们将预测动态节点成员的潜在群体,以及直接形成的二元之间的边缘的协变量。虽然以前的实质性研究往往假设参与国际军事化冲突的决定是独立的国家和静态随着时间的推移,我们表明,冲突是由国家的地缘政治集团不断变化的成员。民主等一元协变量的变化会在联盟之间转移状态,随着时间的推移和国家之间的冲突产生异质性影响。所提出的方法,它依赖于一个变分近似的崩溃后验分布以及随机最优化的可扩展性,是通过一个开源软件包实现的。
2021-10-25 cs.SI stat.AP
Stochastic Blockmodels meet Graph Neural Networks
Duke University(杜克大学);IIT Kanpur(印度理工学院坎普尔分校)
随机块模型(SBM)及其变体$e.g.$,混合隶属度和重叠随机块模型,是基于潜在变量的图的生成模型。他们已经被证明是成功的各种任务,如发现社区结构和链接预测的图形结构的数据。最近,图神经网络,$e.g.$,图卷积网络,也已经出现作为一个有前途的方法来学习强大的表示(嵌入)的图中的节点,通过利用图形属性,如局部性和不变性。在这项工作中,我们统一了这两个方向,开发一个\emph{sparse}变分自编码器的图形,保留了SBM的可解释性,同时也享有良好的预测性能的图形神经网络。此外,我们的框架还伴随着一个快速识别模型,该模型可以快速推断节点嵌入(这对于SBM及其变体的推断具有独立的意义)。虽然我们开发了一个特定类型的SBM,即\emph{overlapping}随机块模型的框架,所提出的框架可以很容易地适应其他类型的SBM。多个基准测试的实验结果表明,在学习可用于社区发现的可解释潜在结构的同时,在链接预测方面取得了令人鼓舞的结果。
2019-05-14 cs.LG cs.SI stat.ML
Efficient inference of overlapping communities in complex networks
我们讨论了两种观点,我们称之为社区第一和网络第一视图,分别扩展现有的复杂网络建模方法。受White,Boorman,and Breiger(1976)[1]的网络第一观点的启发,我们提出了多网络随机块模型(MNSBM),该模型试图将观察到的网络分成不同类型的子网络,并且在每个子网络中推断结构的问题变得更容易。我们展示了如何在生成贝叶斯框架中指定此模型,其中参数可以有效地使用吉布斯抽样进行推断。其结果是一个有效的多成员模式,而没有引入复杂的“群体”定义及其相互作用的缺点。我们展示了在合成网络中恢复种植结构的结果,并在一些真实网络数据集上使用多网络模型对链接预测性能进行了非常令人鼓舞的结果。
2014-11-28 cs.SI physics.soc-ph stat.ML
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
Simultaneous global and local clustering in multiplex networks with covariate information
Imperial College London(帝国理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本文提出分层多乘积随机块模型,通过整合协变量信息,在多乘积网络中同时识别全局和层级聚类结构。
2026-01-28 stat.ME
Exact Recovery of Community Structures Using DeepWalk and Node2vec
North Carolina State University(北卡罗来纳州立大学)
基于随机游走的网络嵌入算法(如DeepWalk和node 2 vec)被广泛用于在执行下游推理任务之前获得网络中节点的欧几里得表示。然而,尽管他们令人印象深刻的经验表现,有一个解释他们的大样本行为的理论结果缺乏。在本文中,我们通过矩阵分解的角度来研究node 2 vec和DeepWalk。特别是,我们分析了这些算法的设置社区检测随机块模型图(及其度校正的变体)。通过利用领先奇异向量的行向均匀扰动界,我们推导出基于矩阵分解的node 2 vec/DeepWalk嵌入与其真实对应物之间的高概率误差界,均匀分布在所有节点嵌入上。基于强大的浓度结果,我们进一步展示了node 2 vec/DeepWalk的完美成员恢复,然后是$K$ -均值/中位数算法。具体来说,随着网络变得稀疏,我们的结果保证,有足够大的窗口大小和顶点数,应用$K$ -均值/中位数的矩阵分解为基础的node 2 vec嵌入可以,以很高的概率,正确地恢复从随机块模型(或其度校正变体)生成的网络中的所有顶点的成员资格。理论的理由反映在数值实验和实际数据的应用,无论是原来的node 2 vec和它的矩阵分解的变体。
2022-10-24 cs.LG cs.SI stat.ML
Entropy of stochastic blockmodel ensembles
随机块模型是生成网络模型,其中顶点被分成离散的组,并且两个顶点之间存在边的概率仅由它们的组成员关系确定。在本文中,我们推导出表达式的随机块模型集成的熵。我们考虑了几种集成变体,包括传统模型以及新引入的度校正版本[Karrer et al. Phys. Rev. E 83,016107(2011)],除了块结构之外,该版本还对顶点施加了度序列。所施加的度序列被实现为“软”约束和“硬”约束两者,在“软”约束中,仅施加预期的度,在“硬”约束中,它们被要求在集合的所有样本上相同。我们还考虑了多重图和有向图的推广。我们说明了这种措施的许多应用之一,直接从熵表达式导出一个对数似然函数,并使用它来推断潜在的块结构中观察到的数据。由于所考虑的合奏的一般性质,该方法适用于合奏与内在的程度相关性(即熵的起源)以及外在的程度相关性,这超出了块结构。
2013-11-11 cond-mat.stat-mech cs.SI physics.data-an
Clustering in networks with the collapsed Stochastic Block Model
提出了一种有效的MCMC算法来对网络中的节点进行聚类,使得网络中具有相似角色的节点被聚类在一起。这被称为块建模或块聚类。该模型是将块体参数积分出来的随机块体模型。所得到的边缘分布定义了聚类和聚类成员数的后验。从这个后验采样比从原始SBM采样更简单,因为可以避免transdimensional MCMC。该算法基于分配采样器。它需要对聚类数进行先验估计,从而允许聚类数直接由算法估计,而不是作为输入参数给出。使用合成和真实数据来测试模型和算法的速度和准确性,包括估计聚类数的能力。该算法可以扩展到具有多达一万个节点和数千万条边的网络。
2012-11-08 stat.CO
Mixed membership distribution-free model
School of Economics and Finance, Chongqing University of Technology(重庆理工大学经济金融学院)
本文提出混合隶属分布自由模型,用于重叠加权网络社区检测,并设计谱算法、模糊加权模块度及社区数量确定方法,通过模拟和实际数据验证其有效性。
2024-04-05 cs.LG cs.SI physics.soc-ph
Estimating Mixed Memberships with Sharp Eigenvector Deviations
我们考虑的问题,估计社区成员的节点在网络中,每个节点都与一个向量,确定其在每个社区的成员程度。现有的可证明一致的算法往往需要强有力的假设人口,计算昂贵,只提供了一个整体的错误界为整个社区成员矩阵。本文提供了统一的收敛速度的推断社区成员向量的每个节点在网络中产生的混合成员随机块模型(MMSB),据我们所知,这是第一次工作,建立每个节点的重叠社区检测率网络。我们通过建立MMSB的行特征向量偏差界限来实现这一点。基于人口矩阵的特征分解中固有的单纯形结构,我们建立在优化社区的角点发现算法来推断社区成员向量。我们的研究结果保持在一个广泛的参数制度,平均度只增长poly-dimensionally与节点的数量。使用模拟和真实数据集的实验表明,我们的方法比竞争方法具有更低的可变性,并且在数十秒内处理多达100,000个节点的真实网络。
2019-11-24 cs.SI math.ST physics.soc-ph
Non-asymptotic goodness-of-fit tests and model selection in valued stochastic blockmodels
UC Davis(加州大学戴维斯分校);Illinois Institute of Technology(伊利诺伊理工学院);Temple University(天普大学);Tokyo Medical University(东京医科大学)
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
Graph model selection by edge probability sequential inference
图被广泛用于描述由许多相互作用的组件组成的系统,并用于理解它们相互作用的结构。存在各种统计模型,它们将这种结构描述为约束和随机性的组合的结果。%模型选择技术需要自动识别最佳模型,以及给定图形的最佳参数集。为了做到这一点,大多数作者依赖于最小描述长度范式,并通过考虑定义在图集成上的概率分布的熵将其应用于图。在本文中,我们介绍了边缘概率序贯推理,一种新的方法来执行模型选择,它依赖于边缘集成的概率分布。从理论的角度来看,我们表明,这种方法提供了一个更一致的理由统计推断与现有的技术,由于事实上,它依赖于多个实现的随机变量。它还提供了更好的保证,防止过度拟合,使之有可能降低模型的参数数量低于观察的数量。实验上,我们说明了这种方法在两种情况下的好处:推断随机块模型的分区,并确定最相关的模型之间的随机块模型和配置模型的给定图形。
2021-06-25 cs.SI stat.ME
Scalable Community Detection in Massive Networks Using Aggregated Relational Data
针对大规模网络下MMSB社区检测计算不可行的问题,提出基于聚合关系数据的小批量策略与并行随机变分推理方法,在超大规模引文网络与模拟网络上均取得良好效果。
2024-05-23 cs.SI
Latent Space Model for Multi-Modal Social Data
University of Southern California(南加州大学)
随着社交网络服务的出现,研究人员享受越来越多的大规模异构数据集捕获在线用户交互和行为的可用性。传统的技术社会系统数据分析主要集中在描述社会互动的动态,或用户的属性和行为。然而,压倒性的经验证据表明,这两个方面相互影响,因此,他们应该共同建模和分析的多模态框架。这种方法的好处包括能够构建更好的预测模型,利用社交网络信息以及用户行为信号。为此,在这里,我们提出了约束潜在空间模型(CLSM),一个广义的框架,它结合了混合成员随机块模型(MMSB)和潜在狄利克雷分配(LDA),其中包含一个约束,迫使潜在空间同时描述多个数据模态。我们推导出一种基于变分期望最大化的高效推理算法,该算法的计算成本与网络的大小呈线性关系,从而使分析大量社会数据集成为可能。我们验证了所提出的框架上的两个问题:从用户属性和行为的社会互动的预测,以及利用网络信息的行为预测。我们使用各种多模式社会系统进行实验,包括基于位置的社交网络(Gowalla)、社交媒体服务(Instagram、Orkut)、电子商务和评论网站(Amazon、Ciao),以及引文网络(Cora)。结果表明,在预测精度的最先进的方法,并证明了所提出的方法的灵活性,以解决各种不同的学习问题,通常发生与多模态的社会数据显着改善。
2015-10-18 cs.LG cs.SI physics.data-an