节点属性随机块模型的精确恢复与Bregman硬聚类
社会与信息网络
2023-11-02 v1 机器学习
机器学习
摘要
网络聚类致力于识别具有相似连接模式的节点集合（社区）。然而在许多场景中，节点还具有与聚类结构相关的属性。因此，网络信息（边）与节点信息（属性）可联合利用以设计高性能聚类算法。在针对网络与节点属性的通用模型下，本工作建立了社区标签精确恢复的信息论准则，并刻画了由模型的Chernoff-Hellinger散度决定的相变。该准则展示了网络与属性信息如何相互替换以实现精确恢复（例如，更可靠的网络信息需要较不可靠的属性信息）。本工作还提出了一种迭代聚类算法，在假设网络交互与节点属性的概率分布属于指数族的前提下最大化联合似然。这涵盖了广泛的可能交互（如带权边）与属性（如非高斯模型），以及稀疏网络，同时也探讨了指数族与Bregman散度之间的联系。使用合成数据的大量数值实验表明，所提算法优于仅利用网络或仅利用属性的经典算法，以及同样利用两种信息源的先进算法。本工作的贡献为节点属性网络上社区标签推断的基本极限与实际技术提供了见解。
引用
@article{arxiv.2310.19854,
title = {Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model},
author = {Maximilien Dreveton and Felipe S. Fernandes and Daniel R. Figueiredo},
journal= {arXiv preprint arXiv:2310.19854},
year = {2023}
}