大规模非均匀网络的高效采样和聚类算法
摘要：在分析大型非均匀网络中，我们提出了两个关键任务的高效算法：均匀节点抽样和聚类检测。我们的抽样技术是基于将一个简单但慢速混合的均匀MCMC采样器与常规随机游走相结合，以加速其收敛速度；然而，当组合的MCMC链处于“均匀采样”模式时，才进行采样。我们的聚类算法通过首先估计将u固定为零潜在值的Dirichlet矩阵的菲德勒向量，然后找到使加权切格比最小的u的邻域来确定网络中给定节点u的相关邻域，其中边的权重由估计的节点潜在值之间的差异确定。我们的两个算法都基于局部计算，即不使用完整的网络邻接矩阵进行操作。我们通过实验评估了这两个算法在三种类型的非均匀网络上的表现：Dorogovtsev-Goltsev-Mendes的“伪分形图”、科学合作网络和随机化的“穴居人图”。
作者：Pekka Orponen and Satu Elisa Schaeffer
论文ID：cond-mat/0406048
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2007-05-23