面向稀疏动态网络的贝叶斯非参数方法
机器学习
2022-04-18 v2
摘要
本文提出一种用于建模稀疏时变网络的贝叶斯非参数方法。网络的每个节点关联一个正参数，用于建模该节点的社交性。社交性被假设随时间演化，并通过动态点过程模型建模。该模型能够捕捉社交性的长期演化。此外，它生成稀疏图，其中边数随节点数呈亚二次增长。社交性的演化由可处理的时变广义伽马过程描述。我们提供了一些关于该模型的理论见解，并将其应用于三个数据集：一个模拟网络、Reddit上社区间超链接网络，以及9·11袭击后Reuters新闻文章中词语共现网络。
引用
@article{arxiv.1607.01624,
title = {Bayesian Nonparametrics for Sparse Dynamic Networks},
author = {Cian Naik and Francois Caron and Judith Rousseau and Yee Whye Teh and Konstantina Palla},
journal= {arXiv preprint arXiv:1607.01624},
year = {2022}
}
备注
25 pages, 14 figures