論文の概要: A stochastic block model for community detection in attributed networks
- arxiv url: http://arxiv.org/abs/2308.16382v1
- Date: Thu, 31 Aug 2023 01:00:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 18:12:21.649042
- Title: A stochastic block model for community detection in attributed networks
- Title（参考訳）: 属性ネットワークにおけるコミュニティ検出のための確率ブロックモデル
- Authors: Xiao Wang, Fang Dai, Wenyan Guo, Junfeng Wang
- Abstract要約: 既存のコミュニティ検出手法は主にネットワーク構造に焦点をあてるが、ノード属性を統合する手法は主に従来のコミュニティ構造に当てられている。
本稿では,属性付きネットワークにおけるコミュニティ検出のためのノードの重心性とクラスタリング係数を統合するブロックモデルを提案する。
このモデルの性能は他の5つの比較アルゴリズムよりも優れている。
- 参考スコア（独自算出の注目度）: 7.128313939076842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community detection is an important content in complex network analysis. The
existing community detection methods in attributed networks mostly focus on
only using network structure, while the methods of integrating node attributes
is mainly for the traditional community structures, and cannot detect
multipartite structures and mixture structures in network. In addition, the
model-based community detection methods currently proposed for attributed
networks do not fully consider unique topology information of nodes, such as
betweenness centrality and clustering coefficient. Therefore, a stochastic
block model that integrates betweenness centrality and clustering coefficient
of nodes for community detection in attributed networks, named BCSBM, is
proposed in this paper. Different from other generative models for attributed
networks, the generation process of links and attributes in BCSBM model follows
the Poisson distribution, and the probability between community is considered
based on the stochastic block model. Moreover, the betweenness centrality and
clustering coefficient of nodes are introduced into the process of links and
attributes generation. Finally, the expectation maximization algorithm is
employed to estimate the parameters of the BCSBM model, and the node-community
memberships is obtained through the hard division process, so the community
detection is completed. By experimenting on six real-work networks containing
different network structures, and comparing with the community detection
results of five algorithms, the experimental results show that the BCSBM model
not only inherits the advantages of the stochastic block model and can detect
various network structures, but also has good data fitting ability due to
introducing the betweenness centrality and clustering coefficient of nodes.
Overall, the performance of this model is superior to other five compared
algorithms.
- Abstract（参考訳）: コミュニティ検出は複雑なネットワーク分析において重要なコンテンツである。
既存ネットワークにおける既存のコミュニティ検出手法はネットワーク構造のみに重点を置いているが、ノード属性を統合する手法は主に従来のコミュニティ構造を対象としており、ネットワーク内のマルチパーティタイト構造や混合構造は検出できない。
さらに,現在提案されている属性ネットワークに対するモデルベースコミュニティ検出手法は,ノード間の重心性やクラスタリング係数などのトポロジ情報を十分に考慮していない。
そこで本稿では,BCSBMと呼ばれる属性付きネットワークにおけるコミュニティ検出のためのノードの重心性とクラスタリング係数を統合した確率ブロックモデルを提案する。
属性ネットワークの他の生成モデルとは異なり、BCSBMモデルにおけるリンクと属性の生成プロセスはポアソン分布に従っており、確率ブロックモデルに基づいてコミュニティ間の確率が考慮される。
さらに、ノード間の重心性とクラスタリング係数をリンクと属性生成のプロセスに導入する。
最後に, 予測最大化アルゴリズムを用いてBCSBMモデルのパラメータを推定し, ノード・コミュニティ・メンバシップをハード・ディビジョン・プロセスを通じて取得し, コミュニティ検出を完了させる。
異なるネットワーク構造を含む6つの実ネットワーク上で実験を行い、5つのアルゴリズムのコミュニティ検出結果と比較することにより、BCSBMモデルは確率的ブロックモデルの利点を継承し、様々なネットワーク構造を検出できるだけでなく、ノード間の重心性やクラスタリング係数の導入によるデータ適合性も良好であることを示す。
全体として、このモデルの性能は他の5つの比較アルゴリズムよりも優れている。
関連論文リスト
- AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - A pseudo-likelihood approach to community detection in weighted networks [4.111899441919165]
本研究では,通常分布するエッジ重みを持つネットワークに対して,擬似的なコミュニティ推定アルゴリズムを提案する。
提案手法により得られた推定値が均質ネットワークの仮定の下で一貫したものであることを証明した。
シミュレーションネットワークとfMRIデータセットで、エッジウェイトは脳領域間の接続を表現している。
論文 参考訳（メタデータ） (2023-03-10T13:36:10Z) - 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) - 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) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Community models for networks observed through edge nominations [6.442024233731203]
コミュニティはネットワークにおいて一般的で広く研究されている構造であり、一般的にはネットワークが完全に正しく観察されているという仮定のもとである。
問合せノードを経由したエッジの記録に基づく,ネットワークサンプリング機構のクラスに対する汎用モデルを提案する。
一般モデルに基づくスペクトルクラスタリングにより,コミュニティ検出が可能であることを示す。
論文 参考訳（メタデータ） (2020-08-09T04:53:13Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z) - 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)
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。