隐藏社区属性的无监督鲁棒非参数学习
机器学习
2018-07-24 v2 社会与信息网络
统计计算
统计方法学
摘要
我们考虑在大型噪声网络中学习社区的基本属性，原型情形是节点或用户根据二元属性（如对某话题的观点或偏好）分为两类。为学习这些属性，我们提出了一种非参数、无监督且可扩展的图扫描过程，该过程还能抵御一类强大的对抗者。在我们的设置中，其中一个社区可能受到知情对抗领导者的影响，该领导者知晓完整网络结构、拥有无限计算资源并能完全预见我们在网络上的计划行动。我们在最少假设下证明了此设置下结果的强一致性。特别地，学习过程以概率 1 渐近正确地估计正常用户的基线活动；唯一假设是存在一个渐近可忽略的对数规模的隐式社区。我们在真实和合成数据上提供实验，说明方法性能，包括包含对抗者的例子。
引用
@article{arxiv.1707.03494,
title = {Unsupervised robust nonparametric learning of hidden community properties},
author = {Mikhail A. Langovoy and Akhilesh Gotmare and Martin Jaggi},
journal= {arXiv preprint arXiv:1707.03494},
year = {2018}
}
备注
Experiments with new types of adversaries added