似然最大化顶点提名方案的一致性：弥合最大似然估计与图匹配之间的鸿沟
机器学习
2016-08-30 v3
摘要
给定一个图，其中少数顶点被先验地认为是感兴趣的，顶点提名任务是对其余顶点进行排序，形成一个提名列表，使得感兴趣的顶点集中在列表顶部。先前的工作已针对此问题提出了几种方法，并在图从随机块模型（SBM）中抽取的设定下给出了理论结果，包括贝叶斯最优分类器的顶点提名类比。在本文中，我们证明了基于最大似然（ML）的顶点提名是一致的，即基于ML的方案性能渐近地匹配贝叶斯最优方案的性能。我们在模型参数已知和未知两种情况下都证明了此类定理。此外，我们引入并证明了一种相关的、更具可扩展性的受限焦点ML顶点提名方案的一致性。最后，我们将顶点和边特征融入基于ML的顶点提名中，并简要探讨了该方法的实证有效性。
引用
@article{arxiv.1607.01369,
title = {On the Consistency of the Likelihood Maximization Vertex Nomination Scheme: Bridging the Gap Between Maximum Likelihood Estimation and Graph Matching},
author = {Vince Lyzinski and Keith Levin and Donniell E. Fishkind and Carey E. Priebe},
journal= {arXiv preprint arXiv:1607.01369},
year = {2016}
}