論文の概要: Nested stochastic block model for simultaneously clustering networks and nodes

• arxiv url: http://arxiv.org/abs/2307.09210v1
• Date: Tue, 18 Jul 2023 12:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 14:55:10.781641
• Title: Nested stochastic block model for simultaneously clustering networks and nodes
• Title（参考訳）: ネットワークとノードの同時クラスタリングのためのネスト確率ブロックモデル
• Authors: Nathaniel Josephs, Arash A. Amini, Marina Paez, and Lizhen Lin
• Abstract要約: ネットワークの集合をクラスタ化すると同時に,各ネットワーク内のコミュニティを同時に検出するために,ネストブロックモデル(NSBM)を導入する。 NSBMには、潜在的に異なるノードセットを持つ未ラベルネットワークで動作する機能など、いくつかの魅力的な機能がある。
• 参考スコア（独自算出の注目度）: 9.860884833526407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the nested stochastic block model (NSBM) to cluster a collection of networks while simultaneously detecting communities within each network. NSBM has several appealing features including the ability to work on unlabeled networks with potentially different node sets, the flexibility to model heterogeneous communities, and the means to automatically select the number of classes for the networks and the number of communities within each network. This is accomplished via a Bayesian model, with a novel application of the nested Dirichlet process (NDP) as a prior to jointly model the between-network and within-network clusters. The dependency introduced by the network data creates nontrivial challenges for the NDP, especially in the development of efficient samplers. For posterior inference, we propose several Markov chain Monte Carlo algorithms including a standard Gibbs sampler, a collapsed Gibbs sampler, and two blocked Gibbs samplers that ultimately return two levels of clustering labels from both within and across the networks. Extensive simulation studies are carried out which demonstrate that the model provides very accurate estimates of both levels of the clustering structure. We also apply our model to two social network datasets that cannot be analyzed using any previous method in the literature due to the anonymity of the nodes and the varying number of nodes in each network.
• Abstract（参考訳）: 本稿では,nested stochastic block model (nsbm)を導入し,各ネットワーク内のコミュニティを同時に検出しながら,ネットワークの集合をクラスタ化する。 NSBMには、潜在的に異なるノードセットを持つ未ラベルネットワークで作業する機能、異種コミュニティをモデル化する柔軟性、ネットワークのクラス数とネットワーク内のコミュニティ数を自動的に選択する機能など、いくつかの魅力的な機能がある。 これはベイズモデルによって実現され、ネストしたディリクレプロセス(NDP)をネットワーク間クラスタとネットワーク内クラスタを共同でモデル化する先駆者として適用した。 ネットワークデータによって導入された依存関係は、特に効率的なサンプリング器の開発において、NDPにとって非自明な課題を生み出します。 後方推定のために,標準のギブスサンプリング器,崩壊したギブスサンプリング器,ブロックされた2つのギブスサンプリング器を含むマルコフ連鎖モンテカルロアルゴリズムを提案する。 このモデルがクラスタリング構造の両方のレベルを非常に正確に推定できることを実証する大規模なシミュレーション研究が実施された。 また、各ネットワークにおけるノードの匿名性やノード数の変動により、文献における過去の手法では分析できない2つのソーシャルネットワークデータセットにも、我々のモデルを適用した。

関連論文リスト

• A Dirichlet stochastic block model for composition-weighted networks [0.0]
  合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。 推論は分類期待-最大化アルゴリズムの拡張によって実装される。 このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
  論文  参考訳（メタデータ） (2024-08-01T15:41:07Z)
• Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
  本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。 グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。 提案手法は, 最先端手法と比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:35:34Z)
• 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)
• Network Clustering for Latent State and Changepoint Detection [0.0]
  本稿では,ネットワーククラスタリングのタスクに対する凸アプローチを提案する。 コンベックスネットワーククラスタリングのための効率的なアルゴリズムを提案し,その有効性を合成例で示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:45Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)

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。