基于贝叶斯非参数模型的异构网络群体建模
统计方法学
2026-03-09 v2
摘要
大量网络数据的不断涌现凸显了针对异构网络群体的统计模型需求。一个便利的框架利用度量来衡量网络之间的相似性。在此背景下，我们提出了一种新型贝叶斯非参数模型，用于识别以相似连接模式特征化的网络簇。我们的ethods依赖于以中心 Erd\H{o}s--R\'enyi 核为基础的Location-Scale Dirichlet 过程混合模型，其中以唯一的网络代表元（即模式）和对该模式的单变量离散程度为参数进行刻画。我们证明了该模型在 Kullback--Leibler 意义上具有完全支持性，并且具有强一致性。提出了一种高效的马尔可夫链蒙特卡洌方案用于后推断和网络簇群。通过大量仿真研究验证了该模型的性能，显示出优于现有方法的改进。此外，我们展示了将该模型有效应用于节点数较大的 datasets 的策略。我们以人脑网络数据为例说明了所提出方法的实际应用。
引用
@article{arxiv.2410.10354,
title = {Bayesian nonparametric modeling of heterogeneous populations of networks},
author = {Francesco Barile and Simón Lunagómez and Bernardo Nipoti},
journal= {arXiv preprint arXiv:2410.10354},
year = {2026}
}
备注
A version of this article has been accepted for publication in Bayesian Analysis