Latent Community Adaptive Network Regression
社会科学和健康科学中的网络数据研究通常集中在两个不同的任务上：（1）检测节点之间的社区结构;（2）将协变量信息与边缘形成相关联。在大部分数据中，协变量对边缘形成的影响可能在社区之间存在差异（例如，年龄可能在城市社区的友谊形成中发挥不同的作用）。在这项工作中，我们引入了一个潜在的空间网络模型，与某些协变量相关的系数可以依赖于潜在的社区成员的节点。我们发现，忽略这样的结构可能会导致过度或低估的协变量的重要性，边缘形成，并提出了一个马尔可夫链蒙特卡罗方法，同时学习潜在的社区结构和社区的具体系数。我们利用有效的谱方法来提高我们的方法的计算易处理性。
2021-12-11 stat.ME
Latent Space Models for Dynamic Networks
动态网络被用于各种领域，以表示实体之间关系的结构和演化。我们提出了一个模型，它嵌入纵向网络数据的轨迹在一个潜在的欧几里得空间。提出了一种马尔可夫链蒙特卡罗算法来估计模型参数和参与者在网络中的潜在位置。该模型产生有意义的可视化动态网络，让研究人员深入了解网络的演变和结构，包括局部和全局。该模型处理有向或无向边缘，很容易处理丢失的边缘，并很好地预测未来的边缘。此外，给出了一种新的方法来检测和可视化的演员之间的吸引力的影响，只使用边缘信息。我们使用病例对照似然近似来加速估计算法，稍微修改它以考虑缺失数据。我们将潜在空间模型应用于从荷兰课堂收集的数据以及从美国众议院议员收集的共同赞助网络，通过深入了解网络来说明该模型的有用性。
2020-05-18 stat.ME
Modelling heterogeneity in Latent Space Models for Multidimensional Networks
多维网络数据可以具有不同的复杂程度，因为节点可以由异构的个体特定特征表征，这些特征可以在网络中变化。本文介绍了一类多维网络数据的模型，其中可以考虑不同层次的网络内和网络之间的异构性。所提出的框架是在潜在空间模型家族中开发的，其目的是区分节点和节点特定特征之间的对称关系。通过马尔可夫链蒙特卡罗算法估计模型参数。仿真数据和应用程序的一个真实的例子，水果进口/出口数据，被用来说明和评论所提出的模型的性能。
2019-06-07 stat.ME
Sequential Estimation of Temporally Evolving Latent Space Network Models
在这篇文章中，我们专注于动态网络数据，它描述了一个固定的人口之间的相互作用，通过时间。我们使用潜在的空间框架，其中的连接形成的概率表示为与节点相关联的低维潜在坐标的函数，并考虑通过序贯蒙特卡罗（SMC）方法的模型参数的序贯估计的数据模型。在这种情况下，SMC是估计的自然候选者，其提供比文献中通常考虑的现有方法更大的可扩展性，允许在给定额外观测的情况下方便地更新估计，并促进在线和离线推断。我们提出了一种新的方法，通过建立在高维SMC文献的技术上，顺序推断动态潜在空间网络模型的参数。此外，我们通过模拟来检查我们的方法的可扩展性和性能，展示我们的方法对模型变量的灵活性，并分析描述课堂接触的真实数据集。
2021-12-19 stat.ME
Inferring structure in bipartite networks using the latent block model and exact ICL
我们考虑的任务，同时聚类的两个节点集在一个二分网络。我们采用的方法是基于使用的精确集成的完全似然的潜在块模型。使用这一点允许使用贪婪搜索来推断集群的数量以及集群成员。这给出了节点集的基于模型的聚类。在模拟二分网络数据上的实验表明，贪婪搜索方法比基于竞争的马尔可夫链蒙特卡罗方法具有更大的可扩展性。应用到一些实际观察到的二部网络演示算法讨论。
2015-05-16 stat.CO
Exploration of Large Networks with Covariates via Fast and Universal Latent Space Model Fitting
潜在空间模型是网络数据统计建模和探索的有效工具。这些模型可以有效地模拟真实世界的网络特性，如度异质性，传递性，同质性等，由于它们的密切联系，广义线性模型，它也是自然的，将协变量信息。本文提出了两种适用于边协变量网络的通用拟合算法：一种基于核范数惩罚，另一种基于投影梯度下降。这两种算法的动机是最大限度地提高一类特殊的内积模型的可能性，同时工作的范围广泛的不同的潜在空间模型，如距离模型，允许潜在向量影响边缘形成灵活的方式。这些拟合方法，特别是基于投影梯度下降的方法，速度快，可扩展到大型网络。我们得到他们的收敛速度的内积模型和超越。建模方法和拟合算法的有效性证明了五个真实世界的网络数据集不同的统计任务，包括社区检测与边缘协变量，和网络辅助学习。
2017-08-18 cs.SI stat.ME stat.ML
The Geometry of Continuous Latent Space Models for Network Data
我们回顾了网络数据的连续潜在空间（统计）模型，特别注意潜在空间的几何形状的作用。在这些模型中，网络二元关系的存在/不存在被假定为有条件独立的二元？在潜在空间中未被观察到的位置。通过这种方式，这些模型提供了一个概率框架，用于将网络节点嵌入配备有几何形状的连续空间中，该几何形状便于描述随机二元关系之间的依赖关系。具体来说，这些模型自然地捕捉了同质倾向和三元聚类，以及观察到的网络的其他共同属性。除了从几何角度回顾连续潜在空间模型的文献外，我们还强调了潜在空间的几何形状对这些模型通过直觉和模拟产生的网络属性的重要作用。最后，我们讨论的结果，从谱图理论，使我们能够探索的潜在空间的几何形状的作用，独立于网络的大小。最后，我们将讨论如何使用这些结果来从观察到的网络中推断出适当的潜在空间几何形状。
2019-03-25 cs.SI stat.ME
A Review of Latent Space Models for Social Networks
本文对社交网络和潜在空间建模的基本原理进行了综述。前者讨论了与网络描述相关的重要主题，包括顶点特征和网络结构;而后者阐述了网络建模的相关进展，包括随机图模型，广义随机图模型，指数随机图模型和社会空间模型。我们详细讨论了文献中提供的几个潜在的空间模型，特别注意的距离，类和特征模型的无向，二进制网络的背景下。此外，我们还使用20多个流行的网络文献数据集，从预测和拟合优度方面对这些模型的行为进行了实证研究。
2020-12-03 cs.SI stat.ME
Anomaly Detection in Large Scale Networks with Latent Space Models
我们开发了一个实时的异常检测算法的大型，稀疏网络上的定向活动。我们使用动态逻辑模型与发送者和接收者特定的潜在因素的相互作用项，除了发送者和接收者特定的流行度分数的未来活动的倾向建模;从这个基础模型的偏差构成潜在的异常。潜在的节点属性估计通过变分贝叶斯方法，并可能随着时间的推移而变化，代表网络活动的自然变化。估计增加了病例-对照近似，以利用网络的稀疏性，并将计算复杂度从$O(N^2)$降低到$O(E)$，其中$N$是节点数，$E$是观察到的边数。我们在从超过25，000台计算机的企业网络收集的网络事件记录上运行我们的算法，并且能够识别红队攻击，其检测率为模型所需的一半，而没有潜在的交互项。
2021-01-29 cs.CR cs.SI stat.AP
Estimating Causal Peer Influence in Homophilous Social Networks by Inferring Latent Locations
本文针对潜在同质性导致社会影响难以从观测网络数据中识别的问题，证明在随机块模型或连续潜在空间模型下，利用全局网络结构估计潜在属性后，可在线性模型中一致估计同伴影响效应。
2021-06-17 cs.SI physics.soc-ph stat.ME
A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks
University of Toledo（托莱多大学）；The Ohio State University（俄亥俄州立大学）
网络和时间点过程是在各种领域中对复杂动态关系数据建模的基本构建块。我们提出了潜在空间霍克斯（LSH）模型，一种新的生成模型的连续时间网络的关系事件，使用潜在空间表示的节点。我们使用相互激励的霍克斯过程与基线强度依赖于节点之间的距离在潜在的空间和发送者和接收者的具体影响节点之间的关系事件建模。我们证明了我们提出的LSH模型可以复制在真实时间网络中观察到的许多特征，包括互惠性和传递性，同时还实现了更高的预测精度，并提供了比现有模型更可解释的拟合。
2022-07-07 cs.LG cs.SI stat.ML
Latent space approaches to aggregate network data
大规模的网络数据可能会带来计算挑战，获取成本高昂，并危及社交网络中个人的隐私。我们发现，潜在的空间集群模型的位置和规模可以推断出组之间的连接数。我们使用合成数据演示了这种建模方法，并将其应用于作为添加健康研究的一部分收集的学生之间的友谊，消除了对节点级连接数据的需要。因此，该方法保护了个人的隐私并简化了数据共享。它还提供了节点级潜在空间模型的性能优势，因为计算成本与集群的数量而不是节点的数量有关。
2023-03-15 cs.SI physics.soc-ph stat.ME
Latent Network Embedding via Adversarial Auto-encoders
Beijing University of Technology（北京工业大学）；University of Chinese Academy of Sciences（中国科学院大学）
图自动编码器已被证明是有用的网络嵌入任务。然而，目前的模型只考虑了显式结构，没有探索信息的潜在结构中凝聚在网络。为了解决这个问题，我们提出了一个潜在的网络嵌入模型的基础上对抗图自动编码器。在此框架下，发现潜在结构的问题被公式化为推断的潜在关系，从部分观察。一个潜在的传输矩阵，描述了现有的优势和潜在的关系，来自基于影响级联通过模拟网络上的扩散过程进行采样。此外，由于推理过程可能会带来额外的噪声，我们引入了对抗性训练，作为正则化来去除噪声，提高模型的鲁棒性。在链接预测和节点分类任务上的大量实验表明，与基线模型相比，该模型取得了更好的结果。
2021-09-30 cs.LG cs.SI
A Poisson Gamma Probabilistic Model for Latent Node-group Memberships in Dynamic Networks
我们提出了一个概率模型，从动态关系数据学习，其中观察到的网络节点之间的相互作用通过伯努利泊松链接函数建模，和底层的网络结构的特点是由非负的潜在的节点组成员，这被假定为伽玛分布。潜在成员的演变根据马尔可夫过程。潜在组的最佳数量可以由数据本身确定。我们的方法的计算复杂性的规模与非零链接的数量，这使得它可扩展到大型稀疏动态关系数据。我们提出了批处理和在线吉布斯抽样算法进行模型推理。最后，我们展示了该模型在合成和真实世界数据集上的性能，与最先进的方法相比。
2018-05-28 cs.SI
Latent Network Summarization: Bridging Network Embedding and Summarization
受密集嵌入带来的计算和存储挑战的启发，我们引入了潜在网络摘要的问题，其目的是学习具有独立于输入图大小的维度的图结构的紧凑的潜在表示（即，#nodes和#edges），同时保留动态导出节点表示的能力。我们提出了Multi-LENS，这是一种归纳的多层次潜在网络摘要方法，它利用一组关系运算符和关系函数（运算符的组合）来分别捕获egonet和高阶子图的结构。结构存储在低秩、大小无关的结构特征矩阵中，这些矩阵与关系函数一起构成了我们的潜在网络摘要。Multi-LENS是通用的，并且自然地支持具有或不具有方向性、权重、属性或标签的同构和异构图。在真实图上进行的大量实验表明，链接预测的AUC提高了3.5 - 34.3%，同时在大型数据集上需要比基线嵌入方法少80 - 2152倍的输出存储空间。作为应用领域，我们展示了多透镜在检测安然电子邮件通信图和Twitter共同提及图中的异常和事件方面的有效性。
2019-06-20 cs.SI
Latent Sentiment Detection in Online Social Networks: A Communications-oriented View
在本文中，我们考虑的问题，潜在的情感检测在线社交网络，如Twitter。我们展示了使用底层社交网络作为伊辛之前执行网络辅助情感检测的好处。我们表明，使用的底层网络的结果在大大降低检测出错率相比，严格的基于特征的检测。在这样做时，我们引入了一个新的通信为导向的框架，描述错误的概率，基于信息理论分析。我们研究了几个程式化的网络拓扑结构，如完整的网络，星形网络和闭链网络的计算误差指数的变化，并显示在确定检测性能的网络结构的重要性。
2014-01-09 cs.SI
Learning low-rank latent mesoscale structures in networks
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）
本文提出结合网络采样与非负矩阵分解的NDL方法，从合成及真实网络中学习少量潜在基序以表示低秩中尺度结构，并通过NDR算法实现受损网络去噪与重建。
2023-07-13 cs.LG cs.SI math.OC
Grounding force-directed network layouts with latent space models
本文基于潜空间模型推导力导向布局的力方程，使网络可视化位置对应潜空间模型下的最大似然，并在真实网络与调查数据上验证其可解释性和布局效果。
2022-02-01 cs.SI
Latent Networks Fusion based Model for Event Recommendation in Offline Ephemeral Social Networks
随着移动社交媒体数量的增长，离线短暂社交网络（OffESN）受到越来越多的关注。离线短暂性社交网络（OffESN）是在特定位置为特定目的而临时创建的网络，并且依赖于诸如射频识别（RFID）和蓝牙设备之类的移动社交媒体而持续短时间。OffESN中人员的主要目的是通过参加预定活动获取和共享信息。通过这种网络进行活动推荐，可以方便参与者选择活动，也可以方便组织者进行资源规划。然而，由于缺乏用户的偏好和评级信息，以及明确的社会关系，基于评级的传统推荐方法和基于社会信任的推荐方法都不能很好地推荐OffESN中的事件。为了解决如何获取用户潜在偏好和社会关系以及如何将潜在信息融合到统一的模型中等问题，我们首先构建了两个异构交互社交网络：事件参与网络和物理邻近网络。然后，我们使用它们来获得用户的潜在偏好和潜在的社会关系网络，包括志同道合的同行，共同出席者和朋友。最后，我们提出了一个LNF（潜在网络融合）模型下的成对因子图来推断事件出席概率的推荐。基于RFID的真实会议数据集上的实验表明，与典型的解决方案相比，所提出的模型的有效性。
2013-08-05 cs.SI physics.soc-ph
Latent geometry of bipartite networks
尽管有大量的二分网络系统，但与单分网络相比，它们的组织原理研究较少。二分网络通常在将它们投影到两组节点之一后进行分析。作为投影的结果，如果相同集合的节点在二分网络中至少有一个共同的邻居，则它们被链接在一起。尽管这些预测允许人们使用为单分网络开发的工具来研究二分网络，但单模式预测会导致信息的重大损失和具有完全连接子图的预测网络的人为膨胀。在这里，我们追求一种不同的方法来分析二分系统，该方法基于这样的系统具有潜在度量结构的观察：网络节点是潜在度量空间中的点，而连接更有可能在距离较短的节点之间形成。这种方法是为单部网络开发的，而对它对二部系统的适用性知之甚少。在这里，我们充分分析了一个简单的潜在几何模型的二部网络，并表明，该模型解释了许多真正的二部系统的特殊结构特性，包括分布的共同邻居和二部集群。我们还分析了该模型中的单模式投影的几何信息损失，并提出了一种有效的方法来推断节点之间的潜在成对距离。揭示真实二分网络的潜在几何结构可以在不同的领域中找到应用，从构建高效的推荐系统到理解细胞代谢。
2017-03-09 cs.SI physics.soc-ph
What do Vegans do in their Spare Time? Latent Interest Detection in Multi-Community Networks
大多数社会网络分析都是在用户之间的交互层面上进行的。但社交网络的规模和复杂性的巨大增长使我们能够在更大的尺度上研究互动。在这项工作中，我们使用了社交网络Reddit的7600万次提交的数据集，该数据集被组织成不同的子社区，称为subreddits。我们在用户相似性和主题相似性方面衡量整个subreddits之间的相似性。我们的目标是找到具有相似用户群但内容不同的社区对;我们将这种关系称为“潜在兴趣”。“潜在兴趣的检测不仅提供了一个视角，个人用户之间的角色转换（学生，体育迷，政治活动家），但也提供了洞察Reddit作为一个整体的动态。潜在兴趣检测也有潜在的应用推荐系统和研究人员检查社区的演变。
2015-11-24 cs.SI physics.soc-ph
Latent Space Model for Road Networks to Predict Time-Varying Traffic
从高保真时空交通传感器数据集进行实时交通预测是智能交通系统和可持续发展的重要问题。然而，由于复杂的拓扑依赖性和与不断变化的道路条件相关的高动态性，这是具有挑战性的。在本文中，我们提出了一个潜在的道路网络空间模型（LSM-RN），以解决这些挑战。特别是，给定一系列的道路网络快照，我们学习的属性的顶点在潜在的空间，捕捉拓扑和时间属性。由于这些潜在属性是时间相关的，它们可以估计流量模式如何形成和演变。此外，我们提出了一个增量式的在线算法，顺序和自适应地学习的潜在属性的时间图的变化。我们的框架通过以下方式实现实时交通预测：1）利用实时传感器读数来调整/更新现有的潜在空间，2）在数据到达时进行训练，并使用给定的数据进行实时预测。通过对大量真实世界的交通传感器数据进行广泛的实验，我们证明了我们的框架在大型道路网络上的实时交通预测方面优于竞争对手以及基于基线图的LSM的实用优势。
2016-07-21 cs.DB cs.SI
Graph Regularized Nonnegative Latent Factor Analysis Model for Temporal Link Prediction in Cryptocurrency Transaction Networks
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Southwest University（西南大学）
随着区块链技术的发展，基于区块链技术的加密货币越来越受欢迎。由此催生的庞大的加密货币交易网络受到了广泛关注。网络的链接预测学习结构有助于理解网络的机理，因此在加密货币网络中也得到了广泛的研究。然而，在过去的研究中，加密货币交易网络的动力学一直被忽视。我们使用图正则化的方法来连接过去的交易记录与未来的交易。在此基础上，提出了一种单潜在因子依赖、非负、乘性和图正则化合并更新（SLF-NMGRU）算法，并进一步提出了图正则化非负潜在因子分析（GrNLFA）模型.最后，在一个真实的加密货币交易网络上的实验表明，该方法提高了准确率和计算效率
2022-08-03 cs.LG cs.SI
Hidden Symmetries in Real and Theoretical Networks
对称性在真实网络中普遍存在，并且经常表征网络特征和功能。在这里，我们提出了一个广义的网络对称性称为\emph{latent symmetry}，这是一个扩展的标准概念的对称性。它们是根据网络的简化版本中的标准对称性定义的。潜在对称性的一个独特之处在于，每一个潜在对称性都与一个\emph{size}相关联，这提供了一种在网络中多个尺度上讨论对称性的方法。我们能够展示一些包含潜在对称性的网络（图）的例子，包括一些真实的网络。在数值实验中，我们发现，潜在的对称性更频繁地使用优先连接，一个标准的网络增长模型，相比非网络（Erd{ \H o}s-Rényi）图。最后，我们证明了如果网络中的顶点是隐对称的，那么它们必须具有相同的特征向量中心性，类似于标准意义上对称的顶点。这表明，真实网络中存在的潜在对称性可能与这些网络中的标准对称性具有相同的结构和功能目的。我们从这些事实和观察中得出结论，\emph{latent symmetries}存在于真实网络中，并提供有关网络的有用信息，可能超出标准对称性，因为它们可以出现在多个尺度上。
2018-03-06 cond-mat.dis-nn cs.SI physics.soc-ph
