用于定向网络中社区成员推断的定向度修正混合成员模型
人工智能
2022-04-28 v2
摘要
本文考虑对定向网络中节点社区成员进行建模与估计的问题，其中每个行（列）节点关联一个向量，决定其在每个行（列）社区中的成员资格。为对此类定向网络建模，我们通过考虑度异质性提出了定向度修正混合成员(DiDCMM)模型。在考虑度异质性时，DiDCMM在混合成员网络的通行条件下是可辨识的。基于总体邻接矩阵左奇异向量归一化版本固有的锥结构以及右奇异向量固有的单纯形结构，我们构建了名为DiMSC的高效算法，以推断行节点与列节点的社区成员向量。利用DiMSC的等价算法（返回与DiMSC相同的估计）以及近期关于行向奇异向量偏差的进展，我们通过给出DiDCMM下各自行节点与列节点推断成员向量的误差界，证明了所提算法在温和条件下渐近一致。理论由一项仿真研究予以补充。
引用
@article{arxiv.2109.07827,
title = {Enabling risk-aware Reinforcement Learning for medical interventions through uncertainty decomposition},
author = {Paul Festor and Giulia Luise and Matthieu Komorowski and A. Aldo Faisal},
journal= {arXiv preprint arXiv:2109.07827},
year = {2022}
}