动态社交网络混合成员随机块模型的序贯蒙特卡洛推断
社会与信息网络
2013-12-10 v1 机器学习
机器学习
摘要
许多类型的数据可以表示为网络或图。推断此类网络背后的潜在结构并预测网络中未观测到的链接至关重要。混合成员随机块模型 (MMSB) 是一种用于网络数据的有前景的模型。MMSB 中的潜变量和未知参数已通过针对整个网络的贝叶斯推断进行了估计；然而，对于演化网络，在线估计它们非常重要。在本文中，我们首先通过序贯蒙特卡洛方法（也称为粒子滤波器）开发了 MMSB 的在线推断方法。随后，我们将这些方法扩展至随时间演化的网络，同时考虑了网络结构的时间依赖性。实验表明，在在线条件下，时间依赖粒子滤波器在预测性能方面优于若干基线方法。
引用
@article{arxiv.1312.2154,
title = {Sequential Monte Carlo Inference of Mixed Membership Stochastic Blockmodels for Dynamic Social Networks},
author = {Tomoki Kobayashi and Koji Eguchi},
journal= {arXiv preprint arXiv:1312.2154},
year = {2013}
}
备注
NIPS 2013 Workshop on Frontiers of Network Analysis: Methods, Models, and Applications