二部隶属网络中分离噪声与信号的最大熵方法
物理与社会
2016-07-07 v1 数据分析、统计与概率
应用统计
摘要
实际上，许多经验网络（包括合著网络和共址网络）是一个二部数据结构的单模投影，其中一层表示实体，第二层由若干表示隶属、属性、群体等的集合组成，层间连边指示实体属于某个集合。单模投影中的边权（我们称之为共现网络）统计了两个端点节点共同链接到的集合数目。解释此类稠密网络需要考虑到底层数据的二部结构的统计分析。在此我们基于一个最大熵零模型发展了针对此类网络的统计显著性度量，该模型同时保留了个体/实体的频率序列和集合的大小序列。求解最大熵问题被化简为求解一个非线性方程组，且有快速算法存在，从而免除了昂贵的蒙特卡洛采样技术。我们利用该度量对若干经验网络进行剪枝和可视化。
引用
@article{arxiv.1607.01735,
title = {A maximum entropy approach to separating noise from signal in bimodal affiliation networks},
author = {Navid Dianati},
journal= {arXiv preprint arXiv:1607.01735},
year = {2016}
}