对称性驱动的网络双曲空间嵌入
统计计算
2025-05-16 v2 社会与信息网络
机器学习
摘要
已知双曲模型能够生成具有大多数网络数据集中经验观测到的性质的网络，包括重尾度分布、高聚类和层次结构。因此，已经提出了几种嵌入算法来反转这些模型并为网络数据分配双曲坐标。然而，当前用于寻找这些坐标的算法并未量化推断坐标中的不确定性。我们提出了BIGUE，一种马尔可夫链蒙特卡洛（MCMC）算法，用于对贝叶斯双曲随机图模型的后验分布进行采样。我们表明，这些样本与当前算法一致，同时为坐标和所有网络属性提供了可信区间。我们还表明，某些网络允许两个或更多合理的嵌入，这是优化算法容易忽略的一个特征。
引用
@article{arxiv.2406.10711,
title = {Symmetry-driven embedding of networks in hyperbolic space},
author = {Simon Lizotte and Jean-Gabriel Young and Antoine Allard},
journal= {arXiv preprint arXiv:2406.10711},
year = {2025}
}