基于随机块模型非平稳扩展的网络时变交互建模
机器学习
2015-09-09 v1
摘要
在本文中，我们关注随机块模型(SBM)，这是一种利用潜在簇描述网络节点间交互的概率工具。SBM假设网络具有平稳结构，其中未考虑强度随时间变化的连接。换言之，两组之间的交互在整体观测时间内被迫具有相同的特征。为克服此限制，我们提出对观测交互的整个时间范围进行划分，并发展了SBM的非平稳扩展，允许同时对网络中的节点和发生交互的固定时间间隔进行聚类。簇的数量（节点为K，时间间隔为D）以及类别归属最终通过贪心搜索方法最大化完整数据积分似然获得。在展示该模型对模拟数据工作良好后，我们聚焦于一个真实数据集。因此我们考虑了2009年6月29日至7月1日在都灵举行的为期三天的ACM超文本会议。对第一天与会者之间的邻近交互进行建模，并最终获得了每日小时的有趣聚类，该方法恢复了社交聚集时间（例如咖啡休息）。由于贪心搜索的计算复杂度（主要由初始化中使用的簇数 和 主导），对大型网络的应用受到限制。因此，考虑先进的聚类工具以减少数据中预期的簇数量，使贪心搜索适用于大型网络。
引用
@article{arxiv.1509.02347,
title = {Modelling time evolving interactions in networks through a non stationary extension of stochastic block models},
author = {Marco Corneli and Pierre Latouche and Fabrice Rossi},
journal= {arXiv preprint arXiv:1509.02347},
year = {2015}
}