特征网络
机器学习
2019-02-21 v2 机器学习
社会与信息网络
摘要
许多应用无法借助物理定律为观测数据推导简洁的描述性模型。作为替代，如今个时间序列之间的相互依赖关系常由一个图或网络来刻画，该网络在实践中可能非常庞大。网络本身也可能随时间变化（即）。暴力追踪时变网络的变化带来重大挑战，包括相关的计算问题。此外，大量网络可能不利于有用的分析。本文将近时变网络近似为特征网络的加权线性组合。特征网络是固定的构建模块，通过先从数据中学习图的时间序列，再执行主网络分析过程来估计。特征网络表示的权重为特征特征量，时变网络描述了特征网络空间中的一条轨迹。这些特征轨迹应当是平滑的，因为网络的变化速率远慢于数据，除非发生结构性网络偏移，反映底层应用和数据源的潜在突变。本文给出了学习图的时间序列、推导特征网络、特征特征量和特征轨迹以及检测变点点的算法。在模拟数据及两个真实时间序列数据（美国参议院投票记录和黑腹果蝇生命周期中的基因表达数据）上的实验展示了学习性能，并对特征网络提供了有趣的解释。
引用
@article{arxiv.1806.01455,
title = {EigenNetworks},
author = {Jonathan Mei and José M. F. Moura},
journal= {arXiv preprint arXiv:1806.01455},
year = {2019}
}