关于一致的顶点提名方案
摘要：在给定网络$G_1$中的一个感兴趣的顶点时，顶点提名问题寻找对应的网络$G_2$中的顶点（如果存在）。顶点提名方案按照它们被判断为在$G_2$中是对应感兴趣的顶点的可能性，产生了$G_2$中的顶点列表。顶点提名问题和相关的信息检索任务在机器学习文献中引起了广泛关注，并在社交和生物网络的许多应用中得到了应用。然而，当前的框架通常局限于一类相对较小的网络模型，并且对统计一致的顶点提名方案的概念只有浅显的探讨。在本篇论文中，我们将顶点提名问题扩展到了一个非常广泛的图统计模型。此外，借鉴模式识别文献中既有的分类框架，我们给出了在扩展的顶点提名框架中的贝叶斯最优和一致性的关键概念的定义，包括贝叶斯最优顶点提名方案的推导。此外，我们证明没有普适一致的顶点提名方案存在。全文提供了说明性的例子。
作者：Vince Lyzinski and Keith Levin and Carey E. Priebe
论文ID：1711.05610
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-12-11