干货！动态图上的置信度传播算法

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

社区发现问题的目的是将网络中的节点划分为连接紧密的社区。最近，有许多工作针对随机块模型中的社区发现问题展开研究。然而，在实际应用中，网络数据通常不是静态的：随着时间推移，节点可能不断的加入网络。比如，在社交网络中不断的有新用户加入；在蛋白质交互网络中，不断有新的蛋白质被发现。为了解决这个问题，我们引入了基于随机块模型的流动随机块模型来模拟这类问题。在算法方面，我们设计了流动置信度传播算法。我们从理论方面证明了流动置信度传播算法的最优性。该算法在多个数据集上均取得了优秀的表现。

本期AI TIME PhD直播间，我们邀请到斯坦福大学在读博士生——吴雨晨，为我们带来报告分享《动态图上的置信度传播算法》。

吴雨晨：

斯坦福大学在读博士生。本科毕业于清华大学数学科学系。她的研究方向包括高维统计，MCMC抽样，社区发现，迁移学习。相关研究成果发表在Neurips, COLT 国际会议。

Community detection社区发现

Data: G = (V, E).

上图中的社区对应的是节点的划分，通常来说处在同一社区的两个节点有着更大概率相连。给定一个graph G，我们的目标是估计每个节点所处的社区（community）。

社区发现在现实生活中也有着很多应用，比如在社交网络中有着相同兴趣或者好友