广义划分局部深度
机器学习
2024-02-01 v4 机器学习
社会与信息网络
物理与社会
摘要
在本文中，我们提供了对 Berenhaut、Moore 和 Melvin 最近提出的凝聚性概念 [Proceedings of the National Academy of Sciences, 119 (4) (2022)] 的推广。所给出的表述建立在划分局部深度技术之上，提炼出两个关键的概率概念：局部相关性与支撑划分。先前的结论在新框架下得到推广，并包含了在带有不确定性的数据中揭示社群结构的应用示例。该工作阐明了划分局部深度的理论基础，并将原始思想拓展至能够对不确定、可变且潜在冲突的信息进行概率性考量。
引用
@article{arxiv.2303.10167,
title = {Generalized partitioned local depth},
author = {Kenneth S. Berenhaut and John D. Foley and Liangdongsheng Lyu},
journal= {arXiv preprint arXiv:2303.10167},
year = {2024}
}
备注
Typos correct & clarifying comments, 19 pages, 6 figures