网络中模型选择与链接预测之间的一致与不一致
机器学习
2018-06-29 v2 无序系统与神经网络
统计力学
摘要
理解网络结构的一个原则性方法是构建生成模型。然而，给定一组模型，一项突出的关键任务是确定哪一个能更准确地描述手头的网络，同时忽略统计波动。该问题可以使用两个原则性标准来解决，这两个标准起初看似等价：根据其后验概率选择最合理的模型；或根据识别缺失链接的预测性能选择模型。在此我们表明，虽然这两种方法在大多数情况下产生一致的结果，但也存在显著的不一致实例，即最合理的模型并非最具预测性的模型。我们表明，在后一种情况下，预测性能的提升实际上可能导致人工和实证环境中的过拟合。此外，我们表明，一般而言，当我们对个体合理性较低的模型集合进行平均时，预测性能高于仅考虑单个最合理模型的情况。
引用
@article{arxiv.1705.07967,
title = {Consistencies and inconsistencies between model selection and link prediction in networks},
author = {Toni Vallès-Català and Tiago P. Peixoto and Roger Guimerà and Marta Sales-Pardo},
journal= {arXiv preprint arXiv:1705.07967},
year = {2018}
}
备注
12 pages, 6 figures, 1 table