論文の概要: Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel
- arxiv url: http://arxiv.org/abs/2002.00901v1
- Date: Fri, 17 Jan 2020 22:02:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:41:07.409597
- Title: Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel
- Title（参考訳）: フラグメンテーション凝集に基づく混合会員確率ブロックモデル
- Authors: Zheng Yu, Xuhui Fan, Marcin Pietrasik, Marek Reformat
- Abstract要約: MMSB(Mixed-Membership Blockmodel)は,ネットワークデータの基盤となる複雑な隠れ構造を学習するのに適した,最先端のベイズ的手法の一つとして提案されている。
本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。
コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
- 参考スコア（独自算出の注目度）: 17.35449041036449
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Mixed-Membership Stochastic Blockmodel~(MMSB) is proposed as one of the
state-of-the-art Bayesian relational methods suitable for learning the complex
hidden structure underlying the network data. However, the current formulation
of MMSB suffers from the following two issues: (1), the prior information~(e.g.
entities' community structural information) can not be well embedded in the
modelling; (2), community evolution can not be well described in the
literature. Therefore, we propose a non-parametric fragmentation coagulation
based Mixed Membership Stochastic Blockmodel (fcMMSB). Our model performs
entity-based clustering to capture the community information for entities and
linkage-based clustering to derive the group information for links
simultaneously. Besides, the proposed model infers the network structure and
models community evolution, manifested by appearances and disappearances of
communities, using the discrete fragmentation coagulation process (DFCP). By
integrating the community structure with the group compatibility matrix we
derive a generalized version of MMSB. An efficient Gibbs sampling scheme with
Polya Gamma (PG) approach is implemented for posterior inference. We validate
our model on synthetic and real world data.
- Abstract（参考訳）: 混合メンバ確率ブロックモデル~(mmsb)は、ネットワークデータの基礎となる複雑な隠れ構造を学ぶのに適した最先端ベイズ関係法の一つとして提案されている。
しかし、MMSBの現在の定式化は、(1)先行情報~(例えば、エンティティのコミュニティ構造情報)がモデリングにうまく埋め込まれていないこと(2)コミュニティの進化が文献によく説明できないこと、の2つの問題に悩まされている。
そこで本研究では,非パラメトリックフラグメンテーション凝固に基づく混合会員確率ブロックモデル(fcMMSB)を提案する。
本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。
さらに,提案モデルは,離散的フラグメンテーション凝集プロセス(dfcp)を用いて,コミュニティの出現と消失によって表されるネットワーク構造とモデルコミュニティの進化を推定する。
コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
後方推定のためにポリaガンマ(pg)アプローチによる効率的なギブスサンプリング方式を実装した。
我々は、合成および実世界のデータに基づいてモデルを検証する。
関連論文リスト
- Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。
現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
論文 参考訳（メタデータ） (2024-05-26T13:11:55Z) - Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。
本稿では,FCMを用いたクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2024-05-22T08:15:50Z) - Bipartite mixed membership distribution-free model. A novel model for community detection in overlapping bipartite weighted networks [0.4972323953932129]
本稿では,BiMMDF(Bipartite Mixed Membership Distribution-Free)モデルを提案する。
我々のモデルでは、ノードのメンバシップに関連するブロック構造が期待されている限り、隣接行列は任意の分布に従うことができる。
理論的に一貫した推定を保証した効率的なアルゴリズムをBiMMDFに適合させる。
論文 参考訳（メタデータ） (2022-11-02T06:26:47Z) - Bayesian community detection for networks with covariates [16.230648949593153]
科学界でもっとも注目されているのは「コミュニティ検出」である。
共依存型ランダムパーティションを持つブロックモデルを提案する。
本モデルでは, 後部推測により, コミュニティの数を知ることができる。
論文 参考訳（メタデータ） (2022-03-04T01:58:35Z) - Mixed membership distribution-free model [0.4972323953932129]
重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。
このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。
このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。
論文 参考訳（メタデータ） (2021-12-04T18:21:02Z) - CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional
Network for Clustering [51.62959830761789]
クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。
CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。
異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
論文 参考訳（メタデータ） (2021-01-18T05:21:59Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳（メタデータ） (2020-07-13T03:27:45Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z) - Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable
Structured Priors [13.712395104755783]
混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。
最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。
我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
論文 参考訳（メタデータ） (2020-02-21T19:32:32Z) - Community Detection in Bipartite Networks with Stochastic Blockmodels [0.0]
バイパーティイトネットワークでは、あるタイプのノードは、他のタイプのノードとの共通の接続パターンに従ってグループ化される。
これにより、ブロックモデル(SBM)が2部構成のコミュニティ検出の直感的な選択となる。
我々はSBMの非パラメトリックな定式化とそれに対応するアルゴリズムを導入し、二部ネットワークのコミュニティを効率的に見つける。
論文 参考訳（メタデータ） (2020-01-22T05:58:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。