用于社区发现的成对协变量调整块模型
统计方法学
2023-10-09 v5 统计理论
应用统计
机器学习
统计理论
摘要
网络研究中最基本的问题之一是社区发现。随机块模型（SBM）是一种被广泛使用的模型，针对其已发展出多种估计方法并揭示了相应的社区发现一致性结果。然而，SBM 受限于同一社区中所有节点随机等价这一强假设，可能不适用于实际应用。我们引入成对协变量调整随机块模型（PCABM），它是 SBM 的推广，融入了成对协变量信息。我们研究了协变量系数与社区分配的最大似然估计。结果表明，在适当的稀疏性条件下，协变量系数估计与社区分配均为一致的。引入带调整的光谱聚类（SCWA）以高效求解 PCABM。在特定条件下，我们推导了 SCWA 下社区发现的误差界，并证明其具有社区发现一致性。此外，我们研究了关于社区数目与成对协变量特征选择的模型选择问题，并提出两种相应算法。在协变量信息可获取时，PCABM 在广泛的模拟与真实网络上均优于 SBM 或度修正随机块模型（DCBM）。
引用
@article{arxiv.1807.03469,
title = {Pairwise Covariates-adjusted Block Model for Community Detection},
author = {Sihan Huang and Jiajin Sun and Yang Feng},
journal= {arXiv preprint arXiv:1807.03469},
year = {2023}
}
备注
103 pages, 7 figures