面向空间交互网络的有监督多尺度降维
机器学习
2019-06-11 v3 社会与信息网络
机器学习
摘要
我们为空间交互网络（SPIN）数据引入了一种有监督多尺度降维方法，该类数据由一组空间协调的交互组成。当数据的采样单元由一组基元变量构成、且每个变量本质上唯一时，就会产生此类预测变量，因此有必要对变量进行分组以简化表示并增强可解释性。本文中，我们引入一种称为 spinlets 的经验贝叶斯方法，其首先构建划分树以指导多空间粒度的降维，然后根据与响应变量的相关性精炼预测变量的表示。我们考虑逆泊松回归模型，并提出一种新的多尺度广义双帕累托先验，其通过树结构参数扩展方案导出。我们的方法受足球分析应用的启发，其中我们在感兴趣响应的监督下，获得了复杂网络对象的紧凑向量表示和易于解释的可视化。
引用
@article{arxiv.1901.00172,
title = {Supervised Multiscale Dimension Reduction for Spatial Interaction Networks},
author = {Shaobo Han and David B. Dunson},
journal= {arXiv preprint arXiv:1901.00172},
year = {2019}
}
备注
30 pages, 12 figures, revised for clarity and conciseness