你要去参加聚会吗：取决于，还有谁要来？[通过条件潜在树模型学习隐藏群体动力学]
社会与信息网络
2016-06-07 v7
摘要
高维多变量时间序列中的可扩展概率建模与预测是一个具有挑战性的问题，特别是对于具有隐藏依赖源和/或同质性的系统而言。此类问题的例子包括具有协同演化节点和边的动态社交网络，以及在线课程中的动态学生学习过程。在此，我们通过发现分层潜在群体来解决这些问题。我们引入了一族条件潜在树模型（CLTM），其中树状结构的潜在变量包含了未知群体。潜在树本身以观测到的协变量为条件，如季节性、历史活动和节点属性。我们提出了一个统计高效的框架，用于学习 CLTM 的分层树结构和参数。我们在来自不同领域的多个真实世界数据集中展示了具有竞争力的性能。这些数据集包括心理学慕课（MOOC）中学生答题尝试的数据、参与应急管理讨论并相互互动的 Twitter 用户数据，以及在南加州海滩互动的帆板运动员数据。此外，我们的建模框架提供了关于隐藏群体结构及其对时间序列演变影响的有价值且可解释的信息。
引用
@article{arxiv.1411.1132,
title = {Are you going to the party: depends, who else is coming? [Learning hidden group dynamics via conditional latent tree models]},
author = {Forough Arabshahi and Furong Huang and Animashree Anandkumar and Carter T. Butts and Sean M. Fitshugh},
journal= {arXiv preprint arXiv:1411.1132},
year = {2016}
}