流行度调整随机块模型中的估计与聚类
统计理论
2020-06-22 v3 统计理论
摘要
本文考虑了由 Sengupta 与 Chen（2018）提出的流行度调整块模型（PABM）。我们认为 PABM 的主要吸引力在于图谱性质的灵活性，这使得 PABM 成为建模生物科学中出现的网络的一个有吸引力的选择。我们将 PABM 的理论扩展到任意数量社区的情形，社区数可能随网络中节点数增长且不被假设为已知。我们给出了概率矩阵与社区结构的估计量，并提供了估计与聚类误差的非渐近上界。我们使用稀疏子空间聚类（Sparse Subspace Clustering, SSC）方法将网络划分为社区，据我们所知，该方法尚未被用于网络数据聚类。理论部分辅以一项模拟研究。此外，我们展示了 PABM 在建模蝴蝶相似性网络与人脑功能网络方面的优势。
引用
@article{arxiv.1902.00431,
title = {Estimation and Clustering in Popularity Adjusted Stochastic Block Model},
author = {Majid Noroozi and Ramchandra Rimal and Marianna Pensky},
journal= {arXiv preprint arXiv:1902.00431},
year = {2020}
}
备注
39 pages, 5 figures