二部网络度修正潜块模型的变分估计器
机器学习
2024-06-07 v2 机器学习
摘要
二部图在各种科学与工程领域中无处不在。通过双聚类同时分组二部图中的两类节点，是此类图网络分析中的基本挑战。潜块模型（LBM）是常用的基于模型的双聚类工具。然而，LBM的有效性常受数据矩阵中行和与列和影响所限。为克服此局限，我们引入度修正潜块模型（DC-LBM），其考虑了行与列聚类中度的变化，显著提升了在真实数据集与模拟数据上的性能。我们通过为M步中的参数估计创建闭式解，开发了高效的变分期望最大化算法。此外，我们证明了DC-LBM下变分估计器的标签一致性与收敛速率，只要当图规模增大时行与列的平均期望度趋于无穷，允许期望图密度趋于零。
引用
@article{arxiv.2206.08465,
title = {Variational Estimators of the Degree-corrected Latent Block Model for Bipartite Networks},
author = {Yunpeng Zhao and Ning Hao and Ji Zhu},
journal= {arXiv preprint arXiv:2206.08465},
year = {2024}
}