• 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 >Dynamic Infinite Mixed-Membership Stochastic Blockmodel
【24h】

Dynamic Infinite Mixed-Membership Stochastic Blockmodel

机译：动态无限混合成员随机块模型

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

Directional and pairwise measurements are often used to model interactions in a social network setting. The (MMSB) was a seminal work in this area, and its ability has been extended. However, models such as MMSB face particular challenges in modeling dynamic networks, for example, with the unknown number of communities. Accordingly, this paper proposes a , a generalized framework that extends the existing work to potentially infinite communities inside a network in dynamic settings (i.e., networks are observed over time). Additional model parameters are introduced to reflect the degree of persistence among one’s memberships at consecutive time stamps. Under this framework, two specific models, namely and models, are proposed to depict two different time correlation structures. Two effective posterior sampling strategies and their results are presented, respectively, using synthetic and real-world data.
机译：定向测量和成对测量通常用于在社交网络设置中对交互进行建模。 （MMSB）是这方面的开创性工作，其能力得到了扩展。但是，例如MMSB之类的模型在动态网络建模方面面临着特殊的挑战，例如，社区数量未知。因此，本文提出了一种通用框架，该框架将现有工作扩展到动态设置下网络内部潜在的无限社区（即随着时间的推移观察到网络）。引入了附加的模型参数，以反映在连续的时间戳记中成员之间的持久性程度。在此框架下，提出了两个特定的模型，即和模型，以描述两个不同的时间相关结构。使用合成数据和真实数据分别提出了两种有效的后验采样策略及其结果。

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