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