随机块模型中 exogenous 划分结构的贝叶斯检验
统计方法学
2020-09-28 v1 应用统计
摘要
网络数据常表现出块结构，其特征是具有相似连边形成模式的节点簇。当此类关系数据辅以关于外生节点划分的额外信息时，这些知识来源通常被纳入模型中以监督簇分配机制或改进连边概率的推断。尽管这些方案已被常规实施，但缺乏形式化方法来检验给定外部节点划分是否与编码网络中节点间随机等价模式的内生聚类结构一致。为填补这一空白，我们开发了一种形式化贝叶斯检验过程，其依赖于计算以下两者之间的贝叶斯因子：一个具有由外生节点划分定义的已知分组结构的随机块模型，以及一个允许内生聚类配置未知、随机且完全由网络中块连接模式揭示的无限关系模型。我们提出了一种简单的马尔可夫链蒙特卡罗方法来计算贝叶斯因子并量化内生组中的不确定性。该例程在模拟中以及一项关于阿尔茨海默症患者脑网络中外生等价结构的应用中进行了评估。
引用
@article{arxiv.2009.12267,
title = {Bayesian Testing for Exogenous Partition Structures in Stochastic Block Models},
author = {Sirio Legramanti and Tommaso Rigon and Daniele Durante},
journal= {arXiv preprint arXiv:2009.12267},
year = {2020}
}