为随机块模型配备受限玻尔兹曼机：一种用于带协变量网络分析的可解释方法
社会与信息网络
2021-04-07 v2 机器学习
摘要
带节点协变量的网络为社区检测方法提供了两个优势，即 (i) 利用协变量提升社区质量，以及更重要的 (ii) 通过识别不同协变量在社区中的相对重要性来解释所发现的社区。近期方法几乎完全聚焦于上述第一点。然而，它们所提供的量化改进往往归功于深度神经网络等复杂黑盒模型，却以可解释性为代价。聚焦于第二点的方法或是特定于领域的，或是在实践中表现不佳。本文提出了用于带节点协变量网络的可解释、领域无关的统计模型，且同时具备良好的量化性能。我们的模型结合了随机块模型 (Stochastic Block Models) 与受限玻尔兹曼机 (Restricted Boltzmann Machines) 的优势，以提供关于社区的可解释洞察。它们支持纯社区与混合社区成员资格。除提供可解释性外，我们方法的主要优势在于它不显式假设社区成员资格与节点协变量之间的因果方向，使其适用于多样领域。我们推导了模型的高效推断过程，在某些情况下可关于节点和边数量以线性时间运行。在多个合成与真实世界网络上的实验表明，我们的模型在社区检测和链接预测任务上达到了接近最先进的性能，同时还能对所发现社区提供解释。
引用
@article{arxiv.1911.04172,
title = {Equipping SBMs with RBMs: An Explainable Approach for Analysis of Networks with Covariates},
author = {Shubham Gupta and Gururaj K. and Ambedkar Dukkipati and Rui M. Castro},
journal= {arXiv preprint arXiv:1911.04172},
year = {2021}
}