基于贝叶斯模型的网络数据群体聚类
摘要：分析网络数据群体的需求越来越大，因为应用领域不断增加。虽然存在一些方法可以提供易于解释的异构网络群体的摘要，但这些方法通常是描述性的或临时性的，缺乏任何形式的正当性。相比之下，有原则的分析方法通常提供难以与感兴趣的应用问题相关联的结果。在两个互补应用示例的推动下，我们开发了一个贝叶斯框架，可以适当地建模复杂的异构网络群体，同时让分析人员从数据中获得见解，并得出最相关于他们需求的推断。第一个应用涉及计算机科学中的一项研究，测量大学中人的移动情况。第二个应用分析了神经科学中不同脑区之间的关系。虽然这两个应用都涉及到对异构网络群体的分析，但网络的规模差异很大。我们着重解决了网络群体中元素聚类的问题，其中每个聚类由一个网络代表性特征。我们利用贝叶斯机制同时推断聚类成员、代表性特征和代表性特征的社区结构，从而可以进行直观的推断。我们在人类运动研究中实施的方法揭示了群体中个体的有趣运动模式，可以通过其网络代表性进行描述。对于脑网络应用，我们的模型揭示了一群具有神经科学特定兴趣的个体，其网络属性有所不同。我们的方法在广泛的模拟研究中也经过了验证。
作者：Anastasia Mantziou, Simon Lunagomez, Robin Mitra
论文ID：2107.03431
分类：Applications
分类简称：stat.AP
提交时间：2023-06-21