扩展随机块模型及其在犯罪网络中的应用

在网络数据中可靠地学习节点间的群体结构在若干应用中具有挑战性。我们的特别动机是研究编码罪犯之间关系的隐蔽网络。这些数据存在测量误差，并表现出未知数量的核心—外围、同配与异配结构的复杂组合，这可能揭示犯罪组织的关键架构。这些含噪块模式的共存限制了常规使用的社区检测算法的可靠性，并需要对基于模型的解决方案进行扩展，以真实地刻画节点划分过程、纳入节点属性信息，并提供改进的估计与不确定性量化策略。为弥补这些不足，我们提出了一类新的扩展随机块模型（ESBM），该模型通过划分过程上的 Gibbs 型先验来推断具有共同连接模式的节点组。这一选择涵盖了针对犯罪网络的许多现实先验，包括具有固定、随机和无限可能组数的解，并以原则性方式便利了节点属性的引入。在我们这一类中的新方案中，我们聚焦于 Gnedin 过程作为一种现实先验，它允许组数为有限、随机，并受到与犯罪网络一致的强化过程影响。我们为整个 ESBM 类提出了坍缩 Gibbs 采样器，并概述了用于估计、预测、不确定性量化和模型选择的精细化策略。ESBM 的性能在现实模拟和应用于一个意大利黑手党网络中得到了展示，其中我们揭示了关键的复杂块结构，而这些结构在很大程度上被最先进的替代方法所隐藏。