Latent structure blockmodels for Bayesian spectral graph clustering
Imperial College London（帝国理工学院）
网络邻接矩阵的谱嵌入通常产生近似于低维子流形结构的节点表示。特别是，隐藏的子结构预计会出现时，从一个潜在的位置模型生成的图形。此外，网络中社区的存在可能会在嵌入中产生社区特定的子流形结构，但这在大多数网络的统计模型中并没有明确说明。在这篇文章中，提出了一类称为潜在结构块模型（LSBM）的模型来解决这种情况下，允许图聚类时，社区特定的一维流形结构。LSBMs集中在一类特定的潜在空间模型，随机点积图（RDPG），并分配一个潜在的子流形的潜在位置的每个社区。一个贝叶斯模型的嵌入所产生的LSBMs进行了讨论，并表现出良好的性能，模拟和真实世界的网络数据。该模型能够正确地恢复生活在一维流形上的底层社区，即使底层曲线的参数形式是未知的，在各种真实数据上取得了显着的效果。
2022-01-02 cs.LG stat.ML
Exact Recovery of Community Detection in k-Community Gaussian Mixture Model
University of Connecticut（康涅狄格大学）
本文研究了高斯混合模型上的社区发现问题，其中顶点被划分为$k\geq 2$不同的社区.我们模型的主要区别在于，对于观测矩阵中的不同条目，高斯扰动的强度是不同的，并且我们不假设每个社区都有相同数量的顶点。我们明确地找到最大似然估计的精确恢复的阈值。应用包括超图上的社区发现。
2020-08-29 cs.LG cs.SI math.PR
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
Efficient Bayesian Community Detection using Non-negative Matrix Factorisation
识别网络中的重叠社区是一项具有挑战性的任务。在这项工作中，我们提出了一种新的方法来社区检测，利用贝叶斯非负矩阵分解（NMF）模型产生一个概率输出的节点成员资格。该方案具有计算效率高，软社区成员和直观的基础。我们提出了对各种基准问题的方法的性能，并比较和对比它与其他几种算法的社区检测。与其他方法相比，我们的方法在计算成本的一小部分上表现良好。
2010-09-25 cond-mat.stat-mech physics.soc-ph stat.ML
Bayesian Poisson Tucker Decomposition for Learning the Structure of International Relations
我们引入贝叶斯泊松塔克分解（BPTD）建模国家-国家互动事件数据。这些数据由交互事件组成，其形式为“国家$i$在时间$t$对国家$j$采取行动$a$”。“BPTD发现重叠的国家-社区成员，包括潜在社区的数量。此外，它还发现了有向社区-社区互动网络，这些网络是特定于行动类型和时间“制度”的“主题”。“我们表明，BPTD产生了一个有效的MCMC推理算法，并实现了比相关模型更好的预测性能。我们还表明，它发现了可解释的潜在结构，符合我们的知识的国际关系。
2016-06-06 cs.AI cs.LG cs.SI
Investigating the 'old boy network' using latent space models
本文探讨了一组英国学校之间的机构联系的性质，其中包括很大比例的私立学校，可能会被认为是有助于“老男孩网络”。分析是基于双边确定的学校橄榄球联盟夹具网络。在确定这些装置的地理接近的首要重要性提供了一个空间的“地面真相”，对模型的性能进行评估。贝叶斯拟合的潜在位置集群模型被发现提供最佳的模型检查。这是用来证明各种方法，共同提供了一个一致的和微妙的解释影响社区和边缘形成的因素在网络中。同质性在费用和寄宿生的比例的影响被确定为显着的，有证据表明，这是由一个社区的学校寄宿生的比例最高，收取最高的费用，暗示的存在和性质的“老男孩网络”在机构层面。
2021-12-22 stat.AP
Modeling community structure and topics in dynamic text networks
在过去的十年中，动态网络建模和主题建模都取得了很大的进展。本文借鉴这两个领域创建一个贝叶斯方法，允许主题发现通知潜在的网络模型和网络结构，以促进主题识别。我们将这种方法应用于2012年467个顶级政治博客。我们的研究结果发现复杂的社区结构，在这组博客，社区成员强烈依赖于一套主题的博客作者感兴趣。
2018-08-23 cs.SI physics.soc-ph stat.ML
Dynamic spectral co-clustering of directed networks to unveil latent community paths in VAR-type models
本文提出一种动态谱共聚类方法，用于揭示VAR型模型中的潜在社区路径，通过构建多层定向网络来捕捉动态社区结构。
2026-04-13 stat.ME
Community detection in sparse latent space models
Fudan University（复旦大学）；Shanghai Center for Mathematical Sciences（上海数学中心）；University of Pennsylvania（宾夕法尼亚大学）；Shanghai University of Finance and Economics（上海财经大学）
我们表明，一个简单的社区检测算法起源于随机块模型文献实现了一致性，甚至最优性，广泛而灵活的一类稀疏潜在空间模型。这类模型包括潜在特征模型（arXiv：0711.1146）。社区检测算法基于谱聚类，然后通过归一化边缘计数进行局部细化。
2020-08-04 cs.LG math.ST stat.ME
Community Detection with Dependent Connectivity
在网络分析中，社区内的成员比社区间的成员更容易连接，这反映在社区内的边缘是相互关联的。然而，现有的概率模型的社区检测，如随机块模型（SBM）的目的不是捕捉边缘之间的依赖性。在本文中，我们提出了一种新的社区检测方法，通过Bahadur表示将社区内的连接依赖。所提出的方法不需要指定的似然函数，这可能是棘手的相关二进制连接。此外，该方法允许不同社区之间的边缘之间的异质性。在理论上，我们表明，将相关信息可以降低估计偏差和加速算法收敛。我们的仿真研究表明，该算法优于流行的变分期望最大化算法假设条件独立的边缘。我们还演示了所提出的方法的应用程序，农产品交易网络从不同的国家。
2019-08-19 stat.ME
Latent community paths in VAR-type models via dynamic directed spectral co-clustering
Cornell University（康奈尔大学）；Sungkyunkwan University（成均馆大学）
本文提出动态网络框架，用于揭示高维VAR型模型中的潜在社区路径。通过将度校正随机共块模型嵌入VAR型系统的转移矩阵中，分离节点层面的发送和接收角色，并以可解释的低维形式总结复杂的方向依赖性。
2026-10-30 econ.EM stat.ME
Testing for Association in Multi-View Network Data
在本文中，我们考虑由多个网络组成的数据，每个网络由一组公共节点上的不同边集组成。许多模型已经被提出来分析这样的多视图网络数据的假设下，数据视图是密切相关的。在本文中，我们提供了评估这一假设的工具。我们尤其要问：给定两个网络，每个网络都遵循随机块模型，两个网络中节点的潜在社区成员之间是否存在关联？为了回答这个问题，我们扩展了一个单一的网络视图的随机块模型的两个视图设置，并开发了一个新的假设检验的原假设，潜在的社区成员在两个数据视图是独立的。我们将我们的测试应用于来自HINT数据库的蛋白质-蛋白质相互作用数据（Das和Hint，2012）。我们发现证据的潜在社区成员的蛋白质定义相对于二进制相互作用数据和潜在社区成员的蛋白质定义相对于共同复杂的关联数据之间的弱关联。我们还将此建议扩展到节点协变量的网络设置。
2021-03-22 stat.ME stat.ML
Root and community inference on the latent growth process of a network
许多现有的网络统计模型忽略了这样一个事实，即许多现实世界的网络是通过增长过程形成的。为了解决这个问题，我们引入了随机网络的PAPER（优先连接加Erdens-Rényi）模型，其中我们让随机网络G是优先连接（PA）树T和额外的Erdens-Rényi（ER）随机边的并集。PA树组件捕获了网络的潜在增长/招募过程，其中顶点和边依次添加，而ER组件可以被视为随机噪声。只给出最终网络G的一个快照，我们研究了为未观察到的增长过程的早期历史，特别是根节点构建置信集的问题;根节点可以是疾病感染网络中的零号病人，也可以是社交媒体网络中的假新闻来源。我们提出了一个推理算法的基础上吉布斯抽样，规模以百万计的节点网络，并提供理论分析表明，只要ER边缘的噪声水平不是太大的预期大小的置信集是小的。我们还提出了多种增长过程同时发生的模型的变化，反映了多个社区的增长，我们使用这些模型提供了一种新的方法来社区检测。
2023-02-07 math.PR stat.CO stat.ME
Community detection with nodal information
社区发现是网络数据研究的基本问题之一。现有的大多数社区检测方法只考虑边缘信息作为输入，当节点信息可用时，输出可能是次优的。在这样的情况下，期望利用节点信息来提高社区检测准确性。为了实现这一目标，我们提出了一个灵活的网络模型，将节点信息，并开发基于似然的推理方法。对于所提出的方法，我们建立了良好的渐近性质以及有效的算法计算。数值实验表明，我们的方法在利用节点信息在各种模拟和真实的网络数据集的有效性。
2016-12-10 math.ST stat.ME stat.TH
Simultaneous Detection of Multiple Change Points and Community Structures in Time Series of Networks
在许多复杂系统中，网络和图以自然的方式出现。通常，时间演化行为可以很容易地发现和建模使用时间序列方法。其中，网络分析中两个常见的研究问题是社区发现和变点检测。社区发现的目的是发现网络中的特定子结构，而变点检测则试图发现子结构发生变化的时间点。我们提出了一种新的方法来检测社区结构和变化点同时基于模型选择框架，其中最小描述长度原则（MDL）被用作最小化的客观标准。一系列的数值实验和实际数据分析表明，该方法具有良好的实用性能。
2020-06-30 cs.SI physics.soc-ph stat.ME
Modularity based community detection in heterogeneous networks
异构网络是由不同类型的节点和链接这些节点的多种类型的边组成的网络。虽然社区发现已被广泛开发为分析仅包含一种类型节点的网络的有用技术，但针对异构网络开发的社区发现技术却很少。在本文中，我们提出了一个基于模块化的社区发现框架的异构网络。与现有的方法不同，所提出的方法具有灵活性，可以将社区的数量视为未知量。我们描述了一个Louvain型的最大化方法找到社区结构，最大化的模块化功能。我们的仿真结果表明，所提出的方法优于现有的方法。此外，所提出的模块度函数是一致的异构随机块模型框架下。DBLP四区域数据集和MovieLens数据集的分析证明了该方法的有效性。
2018-03-21 cs.SI physics.soc-ph stat.ME
