• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Variational Bayesian Inference Algorithms for Infinite Relational Model of Network Data
【24h】

Variational Bayesian Inference Algorithms for Infinite Relational Model of Network Data

机译：网络数据无限关系模型的变分贝叶斯推理算法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Network data show the relationship among one kind of objects, such as social networks and hyperlinks on the Web. Many statistical models have been proposed for analyzing these data. For modeling cluster structures of networks, the infinite relational model (IRM) was proposed as a Bayesian nonparametric extension of the stochastic block model. In this brief, we derive the inference algorithms for the IRM of network data based on the variational Bayesian (VB) inference methods. After showing the standard VB inference, we derive the collapsed VB (CVB) inference and its variant called the zeroth-order CVB inference. We compared the performances of the inference algorithms using six real network datasets. The CVB inference outperformed the VB inference in most of the datasets, and the differences were especially larger in dense networks.
机译：网络数据显示一种对象之间的关系，例如社交网络和Web上的超链接。已经提出了许多统计模型来分析这些数据。为了建模网络的群集结构，提出了无限关系模型（IRM）作为随机块模型的贝叶斯非参数扩展。在本文中，我们基于变分贝叶斯（VB）推理方法推导了网络数据IRM的推理算法。在显示标准VB推断后，我们得出了折叠的VB（CVB）推断及其变种，称为零阶CVB推断。我们使用六个真实的网络数据集比较了推理算法的性能。在大多数数据集中，CVB推理优于VB推理，并且在密集网络中差异尤其大。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号