用于同时聚类网络与节点的嵌套随机块模型
统计方法学
2025-03-17 v2 社会与信息网络
机器学习
摘要
我们引入嵌套随机块模型(NSBM)，以对一组网络进行聚类，同时检测每个网络内部的社区。NSBM具有若干引人注目的特性，包括能够处理具有潜在不同节点集的未标记网络、灵活建模异质社区的灵活性，以及自动选择网络类别数和每个网络内社区数的能力。这通过一个贝叶斯模型实现，其中新颖地应用嵌套狄利克雷过程(NDP)作为先验，联合建模网络间与网络内聚类。网络数据引入的依赖关系给NDP带来了非平凡的挑战，尤其在高效采样器的开发上。对于后验推断，我们提出了几种马尔可夫链蒙特卡罗算法，包括标准吉布斯采样器、坍缩吉布斯采样器，以及两种块状吉布斯采样器，最终返回来自网络内部与跨网络的双层聚类标签。我们进行了广泛的模拟研究，表明该模型对两层聚类结构都提供了非常准确的估计。我们还将模型应用于两个社交网络数据集，由于节点的匿名性和各网络节点数量不同，现有文献中的任何方法都无法分析这两个数据集。
引用
@article{arxiv.2307.09210,
title = {Nested stochastic block model for simultaneously clustering networks and nodes},
author = {Nathaniel Josephs and Arash A. Amini and Marina Paez and Lizhen Lin},
journal= {arXiv preprint arXiv:2307.09210},
year = {2025}
}