使随机块模型适应幂律度分布
社会与信息网络
2019-04-11 v1 机器学习
机器学习
摘要
随机块模型（SBMs）在建模网络数据的簇或社区结构方面一直发挥着重要作用。但它无法处理真实世界网络中普遍展现的若干复杂特征，其中之一是幂律度特征。为此，我们提出一种SBM的新变体，称为幂律度SBM（PLD-SBM），通过引入度衰减变量来显式编码所有节点上变化的度分布。借助指数先验，证明PLD-SBM近似保留了真实网络中的无标度特征。此外，从变分E步的推断来看，PLD-SBM确实通过引入的度衰减因子纠正了SBM中固有的偏差。进一步地，在合成网络以及包括青少年健康数据和政治博客网络的两个真实世界数据集上进行的实验，验证了所提模型在簇预测精度方面的有效性。
引用
@article{arxiv.1904.05335,
title = {Adapting Stochastic Block Models to Power-Law Degree Distributions},
author = {Maoying Qiao and Jun Yu and Wei Bian and Qiang Li and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.05335},
year = {2019}
}
备注
13 pages, 13 figures