基于数据驱动的图模型上的链接预测
最优化与控制
2020-04-30 v1
摘要
正链接预测（PLP）问题在一个系统辨识框架中表述：我们考虑自回归滑动平均（ARMA）高斯随机过程的动态图模型。为辨识参数，我们在两个不同时间尺度上建模网络：一个较快的尺度，在其上我们假设表示智能体动力学的过程可视为平稳的；以及一个较慢的尺度，在其上模型参数可能变化。后者解释了新边可能出现的情况。辨识问题被纳入一个优化框架，可视为现有 ARMA 图模型辨识方法的推广。我们证明该优化问题解的存在性与唯一性，并给出数值计算该解的步骤。提供了测试我们方法性能的仿真。
引用
@article{arxiv.2004.14187,
title = {Data-driven Link Prediction over Graphical Models},
author = {Daniele Alpago and Mattia Zorzi and Augusto Ferrante},
journal= {arXiv preprint arXiv:2004.14187},
year = {2020}
}