使用混合成员随机块模型对带属性超图中的社区结构进行推断与可视化
Inference and Visualization of Community Structure in Attributed Hypergraphs Using Mixed-Membership Stochastic Block Models
AI总结：
本文提出HyperNEO框架，结合混合成员随机块模型与降维方法，在保留节点社区成员关系的前提下实现带属性超图社区结构的推断与可视化。
摘要：
超图表示涉及两个以上实体之间交互的复杂系统，并允许研究复杂系统中的高阶结构和动力学。节点属性数据通常伴随网络数据出现，可以增强复杂系统中社区结构的推断。虽然混合成员随机块模型已被用于推断超图中的社区结构，但它们假设节点可能具有软社区成员关系，从而使推断出的社区结构的可视化和解释变得复杂。在本研究中，我们提出了一个框架 HyperNEO，它将用于超图的混合成员随机块模型与降维方法相结合。我们的方法生成一种节点布局，在很大程度上保留节点的社区成员关系。我们在带有节点属性的合成超图和经验超图上评估了我们的框架。我们期望我们的框架将拓宽对复杂系统中高阶社区结构的研究和理解。
英文摘要：
Hypergraphs represent complex systems involving interactions among more than two entities and allow the investigation of higher-order structure and dynamics in complex systems. Node attribute data, which often accompanies network data, can enhance the inference of community structure in complex systems. While mixed-membership stochastic block models have been employed to infer community structure in hypergraphs, they complicate the visualization and interpretation of inferred community structure by assuming that nodes may possess soft community memberships. In this study, we propose a framework, HyperNEO, that combines mixed-membership stochastic block models for hypergraphs with dimensionality reduction methods. Our approach generates a node layout that largely preserves the community memberships of nodes. We evaluate our framework on both synthetic and empirical hypergraphs with node attributes. We expect our framework will broaden the investigation and understanding of higher-order community structure in complex systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
