×
马尔科·科内利;皮埃尔·拉图什;Fabrice罗西

动态网络中的多变化点检测和聚类。 （英语） Zbl 1405.62076号

统计计算。 28，第5期，989-1007（2018）.
摘要：以参与者之间动态交互的形式存储的数据越来越多，因此需要使用方法来自动提取相关信息。交互可以用动态网络表示，在动态网络中，大多数现有方法都会寻找顶点簇来总结数据。为了在检测交互强度变化点的同时对顶点进行聚类，本文提出了一种新的框架。这些变化点是理解时间相互作用的关键。所使用的模型涉及非齐次泊松点过程，具有簇相关的分段常强度函数和公共间断点。推导了变分期望最大化算法进行推理。我们表明，最初为检测单变量时间序列中的变化点而开发的修剪精确线性时间方法可以考虑用于最大化步骤。这允许检测变化点的数量和他们的位置。在人工数据集和真实数据集上进行了实验，并与相关方法进行了比较。

引用于三文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62克10 非参数假设检验
90B15号机组 运筹学中的随机网络模型

关键词：

动态网络;非齐次泊松点过程;随机块体模型;变分EM;PELT公司;群集

软件：

兰博
PDF格式BibTeX公司 XML格式引用
\textit{M.Corneli}等人，《统计计算》。28，第5号，989--1007（2018；Zbl 1405.62076）
全文： 内政部 哈尔

参考文献：

[1] Achab，M.、Bacry，E.、Gaíffas，S.、Mastromateo，I.、Muzy，J.F.：从多元Hawkes积分累积量中发现因果关系。ArXiv预印本ArXiv：1607.06333（2016）·Zbl 1472.62076号
[2] Airoldi，E；布莱，D；费恩伯格，S；Xing，E，混合成员随机块模型，J.Mach。学习。1981-2014年第9号决议（2008年）·Zbl 1225.68143号
[3] Boullé，M.：监督分类中数据网格模型的最佳同时离散化：贝叶斯模型选择方法。高级数据分析。分类。三(1), 39-61 (2009) ·Zbl 1231.62030号
[4] 卡斯蒂格斯，A；西葫芦，P；Quattrociocchi，W；桑托罗，N，《时间变量图和动态网络》，国际期刊《并行应急分配系统》。，27, 387-408, (2012) ·doi:10.1080/17445760.2012.668546
[5] 科内利，M；拉图什，P；Rossi，F，《具有非齐次泊松过程和精确ICL的动态网络中的块建模》，Soc.Netw。分析。最小值，2016年6月1日至14日·doi:10.1007/s13278-016-0368-3
[6] 科内利，M；拉图什，P；Rossi，F，动态网络随机块模型非平稳时间扩展中的精确ICL最大化，神经计算，192，81-91，（2016）·doi:10.1016/j.neucom.2016.02.031
[7] Daley，D.J.，Vere-Jones，D.：点过程理论简介。第一卷：基本理论和方法。柏林施普林格出版社（2003）·Zbl 1026.60061号
[8] Daudin，JJ；皮卡德，F；Robin，S，随机图的混合模型，统计计算。，18, 173-183, (2008) ·doi:10.1007/s11222-007-9046-7
[9] Dempster，A.P.，Rubin，D.B.，Laird，N.M.：通过EM算法获得不完整数据的最大似然。J.R.统计社会服务。B（方法学）39(1), 1-38. http://www.jstor.org/stable/2984875 (1977) ·Zbl 0364.62022号
[10] Dubois，C.，Butts，C.，Smyth，P.：关系事件动力学的随机块建模。在：国际人工智能与统计会议，《机器学习研究期刊》第31卷，第238-246页（2013）
[11] 杜兰特，D；邓森，DB；等。，局部自适应动态网络，Ann.Appl。统计，10，2203-2232，（2016）·Zbl 1454.62495号 ·doi:10.1214/16-AOAS971
[12] Fortunato，S，图中的社区检测，Phys。众议员，486，75-174，（2010）·doi:10.1016/j.physrep.2009.11.002
[13] Friel，N.、Rastelli，R.、Wyse，J.、Raftery，A.E.：爱尔兰公司的连锁董事会使用二方网络的潜在空间模型。参见：《美国国家科学院院刊》，第113卷，第24期，第6629-6634页。doi:10.1073/pnas.1606295113。http://www.pnas.org/content/113/24/6629.full.pdf (2016)
[14] Guigourès，R.，Boullé，M.，Rossi，F.：时间演化图的三聚类方法。摘自：《协同聚类与应用》，IEEE第十二届国际数据挖掘研讨会（ICDMW 2012），比利时布鲁塞尔，第115-122页。doi:10.1109/ICDMW.2012.61（2012）
[15] Guigourès，R.，Boullé，M.，Rossi，F.：发现时变图中的模式：三聚类方法。摘自：《数据分析和分类进展》，第1-28页。doi:10.1007/s11634-015-0218-6（2015）
[16] 汉内克，S；傅，W；邢，EP；等。，社交网络的离散时间模型，Electron。J.Stat.，4585-605，（2010年）·Zbl 1329.91113号 ·doi:10.1214/09-EJS548
[17] Hawkes，A.G.：一些相互激励点过程的点谱。J.R.统计社会服务。B（方法学）33（3） ，438-443（1971年）·Zbl 0238.60094号
[18] Ho，Q.，Song，L.，Xing，E.P.：时间演化网络的演化集群混合成员区块模型。摘自：国际人工智能与统计会议，第342-350页（2011年）
[19] 霍夫，P；Raftery，A；Handcock，M，《社会网络分析的潜在空间方法》，《美国统计协会期刊》，第97期，第1090-1098页，（2002年）·Zbl 1041.62098号 ·doi:10.1198/016214502388618906
[20] Jackson，B.、Sargle，J.、Barnes，D.、Arabhi，S.、Alt，A.、Giomousis，P.、Gwin，E.、Sangtrakulcharoen，P.，Tan，L.、Tsai，T.：一种在区间上优化数据分区的算法。摘自：《信号处理快报》，第105-108页（2005年）
[21] 杰尼特，Y；拉图什，P；Bouveyron，C；里维拉，P；杰古，L；Lamassé，S，《梅洛文吉安·高卢教会网络分析的随机子图模型》，Ann.Appl。统计，855-74，（2014）·兹比尔1454.62539 ·doi:10.1214/13-AOAS691
[22] 基利克，R；费恩黑德，P；艾克利，IA，用线性计算成本优化检测变化点。，《美国统计协会期刊》，107，1590-1598，（2012）·Zbl 1258.62091号 ·doi:10.1080/01621459.2012.737745
[23] Kim，M；Leskovec，J，动态网络的非参数多群成员模型，高级神经网络过程。系统。，25, 1385-1393, (2013)
[24] 科尔达，TG；Bader，BW，张量分解及其应用。，SIAM版本，51，455-500，（2009）·Zbl 1173.65029号 ·doi:10.1137/07070111X
[25] Krivitsky，PN；Handcock，MS，动态网络的可分离模型，J.R.Stat.Soc.Ser。B（Stat.Methodol.），76，29-46，（2014）·Zbl 1411.90079号 ·doi:10.1111/rssb.12014
[26] Latouche，P.，Birmelé，E.，Ambroise，C.：法国政治博客圈应用的重叠随机块模型。附录申请。斯达。，5(1) 309-336 (2011) ·兹比尔1220.62083
[27] 刘易斯，P；Shedler，G，通过稀释模拟非均匀毒物过程，海军研究后勤。Q.，26，403-413，（1979）·Zbl 0497.60003号 ·doi:10.1002/nav.3800260304
[28] Matias，C.，Miele，V.：通过动态随机块模型对时间网络进行统计聚类。J.R.统计社会服务。B类79(4), 1119-1141 (2017) ·Zbl 1373.62312号
[29] Matias，C.，Rebafka，T.，Villers，F.：纵向网络半参数泊松过程随机块模型中的估计和聚类。arXiv:1512.07075电子版（2015）·兹比尔1499.62213
[30] Nouedoui，L.，Latouche，P.：离散值网络的贝叶斯非参数推理。在：第21届欧洲人工神经网络、计算智能和机器学习研讨会（ESANN 2013），比利时布鲁日，第291-296页（2013）
[31] 诺维基，K；Snijders，T，《随机块体结构的估算和预测》，美国统计协会，96，1077-1087，（2001）·Zbl 1072.62542号 ·doi:10.1198/016214501753208735
[32] Rand，WM，《聚类方法评估的客观标准》，美国统计协会，66，846-850，（1971）·doi:10.1080/01621459.1971.10482356
[33] 罗宾斯，G；帕蒂森，P；卡利什，Y；Lusher，D，社交网络指数随机图模型介绍，Soc.Netw。，29, 173-191, (2007) ·doi:10.1016/j.socnet.2006.08.002
[34] Sarkar，P；Moore，AW，使用潜在空间模型的动态社交网络分析，ACM SIGKDD Explor。新闻。，7, 31-40, (2005) ·doi:10.1145/1117454.1117459
[35] 丹麦苏厄尔；Chen，Y，动态网络的潜在空间模型，美国统计协会，110，1646-1657，（2015）·Zbl 1373.62580号 ·数字标识代码：10.1080/01621459.2014.988214
[36] 丹麦苏厄尔；Chen，Y，带加权边动态网络的潜在空间模型，Soc.Netw。，44, 105-116, (2016) ·doi:10.1016/j.socnet.2015.07.005
[37] Snijders，TA，《网络变化的随机行为导向模型》，J.Math。社会学。，21, 149-172, (1996) ·Zbl 0883.92038号 ·doi:10.1080/022250X.1996.9990178
[38] 美国卢克斯堡，光谱聚类教程，统计计算。，17, 395-416, (2007) ·数字对象标识代码：10.1007/s11222-007-9033-z
[39] 王，Y；Wong，G，有向图的随机块模型，美国统计协会，82，8-19，（1987）·Zbl 0613.62146号 ·doi:10.1080/01621459.1987.10478385
[40] 邢，EP；傅，W；Song，L，动态网络层析成像的状态空间混合成员块模型，Ann.Appl。统计，4535-566，（2010）·Zbl 1194.62133号 ·doi:10.1214/09-AOAS311
[41] Xu，H.，Farajtabar，M.，Zha，H.：学习霍克斯过程的格兰杰因果关系。摘自：第33届机器学习国际会议记录，第1717-1726页（2016）
[42] Xu，K.S.，Hero III，A.O.：时间演化社交网络的动态随机块模型。IEEE J Sel Top信号处理。8(4), 552-562 (2014)
[43] 杨，T；Chi，Y；朱，S；龚，Y；Jin，R，用贝叶斯方法检测动态社交网络中的社区及其演变，Mach。学习。，82, 157-189, (2011) ·Zbl 1237.91189号 ·doi:10.1007/s10994-010-5214-7
[44] 兹雷克，R；拉图什，P；Bouveyron，C，进化网络聚类的动态随机子图模型，计算。统计，32，501-533，（2016）·Zbl 1417.62182号 ·doi:10.1007/s00180-016-0655-5
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。