基于潜收缩位置聚类模型的网络数据模型化聚类
统计方法学
2025-11-04 v2
摘要
网络数据的低维表示与聚类是各领域高度关注的任务。潜位置模型通过假设每个节点在低维潜空间中具有一个位置并实现节点聚类，常被用于此目的。然而，这些模型无法同时确定潜空间维数与聚类数，因而存在不足。本文引入潜收缩位置聚类模型（LSPCM），以解决该局限。LSPCM 设定无限维潜空间，并对潜位置方差参数施加贝叶斯非参数收缩先验，使得更高维的方差递减，从而有助于识别具有不可忽略方差的维度。此外，LSPCM 假设潜位置服从稀疏有限高斯混合模型，可对与非空混合分量相关的聚类数进行自动推断。因此，LSPCM 同时推断潜空间的有效维数与聚类数，无需拟合并比较多个模型。我们通过模拟研究评估了 LSPCM 的性能，并将其应用于来自体育与政治背景的两个真实 Twitter 网络数据集加以展示。我们提供了开源软件以促进 LSPCM 的广泛应用。
引用
@article{arxiv.2310.03630,
title = {Model-based Clustering for Network Data via a Latent Shrinkage Position Cluster Model},
author = {Xian Yao Gwee and Isobel Claire Gormley and Michael Fop},
journal= {arXiv preprint arXiv:2310.03630},
year = {2025}
}
备注
45 pages, 23 figures