顶点提名：典型采样与扩展谱提名方案
机器学习
2020-01-24 v2
摘要
假设随机块模型中的某个特定块是感兴趣的，但仅观测到网络中少数顶点的块标签。利用从模型实现的图以及观测到的块标签，顶点提名任务是将具有未观测块标签的顶点排序为一个排名提名列表，目标是使列表顶部附近有大量感兴趣的顶点。文献中存在顶点提名方案，包括最优精确的典型提名方案 和一致的谱划分提名方案 。虽然典型提名方案 被证明是最优精确的，但它在计算上难以处理，即使在中等规模的图上也难以实际实现。考虑到这一点，引入了典型方案的一个近似——记为典型采样提名方案 ——其依赖于对 的可扩展的、基于马尔可夫链蒙特卡罗的近似，并且随着采样量的增加收敛到 。谱划分提名方案也被扩展为扩展谱划分提名方案 ，其引入了一种新颖的半监督聚类框架以改进 的精度。采用真实数据和模拟实验来说明这些顶点提名方案的精度及其经验计算复杂度。关键词：顶点提名，马尔可夫链蒙特卡罗，谱划分，Mclust MSC[2010]：60J22，65C40，62H30，62H25
引用
@article{arxiv.1802.04960,
title = {Vertex nomination: The canonical sampling and the extended spectral nomination schemes},
author = {Jordan Yoder and Li Chen and Henry Pao and Eric Bridgeford and Keith Levin and Donniell Fishkind and Carey Priebe and Vince Lyzinski},
journal= {arXiv preprint arXiv:1802.04960},
year = {2020}
}