随机块模型的算法可检测性阈值
社会与信息网络
2018-03-08 v2 物理与社会
机器学习
摘要
模型参数值已知或被正确学习（即 Nishimori 条件）的假设，是统计推断中随机块模型可检测性分析的要求之一。然而，在实践中，没有例子表明我们可以预先知道模型参数，也无法保证模型参数能被准确学习。在本研究中，我们考虑带有置信传播 (belief propagation, BP) 的期望最大化 (expectation--maximization, EM) 算法，并推导其算法可检测性阈值。我们的分析不限于社区结构，还包括一般的模块结构。由于算法不能总是正确学习植入的模型参数，算法可检测性阈值在性质上不同于满足 Nishimori 条件时的阈值。
引用
@article{arxiv.1710.08841,
title = {Algorithmic detectability threshold of the stochastic block model},
author = {Tatsuro Kawamoto},
journal= {arXiv preprint arXiv:1710.08841},
year = {2018}
}
备注
15 pages, 8 figures