Dynamic Mixed Membership Stochastic Block Model for Weighted Labeled Networks

要約

【タイトル】重み付けラベルネットワークのための動的混合メンバーシップ確率ブロックモデル

【要約】
– ほとんどの現実のネットワークは時間経過に従って変化する。
– 既存の文献では、動的ネットワークをモデル化するモデルは、ラベルが付けられていないか、または単一のメンバーシップ構造を持つと仮定されている。
– 一方、混合メンバーシップ確率ブロックモデルは、混合メンバーシップクラスタリングの仮定の下で静的なラベル付きネットワークをモデル化することができる。
– 本研究では、この後者のモデルクラスを拡張し、混合メンバーシップの仮定の下で動的ラベル付きネットワークを推定することを提案する。
– アプローチは、モデルパラメータに対する時間的事前分布の形式を取る。ダイナミックな変化が不連続でないことを唯一の仮定としている。また、従来のアプローチとは大きく異なり、複雑なシステムである動的ラベル付きネットワークをモデル化することができる。
– 様々な環境での実験を行い、我々の手法の堅牢性を示している。特に、学習に必要なデータが非常に少なくてもよい性能を示すため、機械学習手法の導入が小規模データのある社会科学などの分野での可能性を広げるという重要な興味を持つ。

要約(オリジナル)

Most real-world networks evolve over time. Existing literature proposes models for dynamic networks that are either unlabeled or assumed to have a single membership structure. On the other hand, a new family of Mixed Membership Stochastic Block Models (MMSBM) allows to model static labeled networks under the assumption of mixed-membership clustering. In this work, we propose to extend this later class of models to infer dynamic labeled networks under a mixed membership assumption. Our approach takes the form of a temporal prior on the model’s parameters. It relies on the single assumption that dynamics are not abrupt. We show that our method significantly differs from existing approaches, and allows to model more complex systems –dynamic labeled networks. We demonstrate the robustness of our method with several experiments on both synthetic and real-world datasets. A key interest of our approach is that it needs very few training data to yield good results. The performance gain under challenging conditions broadens the variety of possible applications of automated learning tools –as in social sciences, which comprise many fields where small datasets are a major obstacle to the introduction of machine learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI