BriefGPT - AI 论文速递
·
通过马尔柯映射实现的双随机自适应邻域聚类
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究提出了一种用于聚合不同信息源的多个聚类的原始方法，通过多层随机块模型（SBM）的混合将具有相似信息的共成员矩阵分组为组件，并将观测分割为不同的聚类。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较，并应用于全球食品贸易网络的分析。
🎯
关键要点
- 该研究提出了一种聚合不同信息源的多个聚类的原始方法。
- 使用多层随机块模型（SBM）的混合将具有相似信息的共成员矩阵分组为组件。
- 观测被分割为不同的聚类，考虑组件内的特定性。
- 建立了模型参数的可识别性，并提出变分 Bayesian EM 算法来估计这些参数。
- 通过贝叶斯框架选择最佳的聚类和组件个数。
- 该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较。
- 最后，该方法应用于全球食品贸易网络的分析，得到了有趣的结构。
➡️
