解耦动态随机块模型中的社区与链接持续性
社会与信息网络
2018-12-20 v4 机器学习
物理与社会
机器学习
摘要
我们研究了一种动态网络模型的推断，其中社区和链接都保持对先前网络状态的记忆。通过考虑从网络单快照观测的最大似然推断，我们表明链接持续性使得社区推断更困难，降低了可检测性阈值，而社区持续性往往使其更容易。我们分析表明，从单网络快照推断的社区可以与特定过去时刻的底层社区共享最大重叠。这导致了时间滞后推断：识别过去的社区而非当前的社区。最后，我们计算了时间滞后并提出一种修正算法，即 Lagged Snapshot Dynamic (LSD) 算法，用于动态网络中的社区检测。我们从分析和数值上刻画了该算法的可检测性相变作为模型记忆参数的函数，并与全动态推断进行了比较。
引用
@article{arxiv.1701.05804,
title = {Disentangling group and link persistence in Dynamic Stochastic Block models},
author = {Paolo Barucca and Fabrizio Lillo and Piero Mazzarisi and Daniele Tantari},
journal= {arXiv preprint arXiv:1701.05804},
year = {2018}
}
备注
13 pages, 8 figures; Final Section added; figures updated