基于距离度量的交互网络群体建模技术解析

基于距离度量的交互网络群体建模

乔治·博尔特，西蒙·卢纳戈梅斯，克里斯托弗·内梅斯；26(126):1−112, 2025

摘要

网络数据产生于对实体集合之间关系信息的观测，例如人群样本中的友谊关系。传统上，此类数据的统计模型主要针对单个网络进行分析。近年来，研究重点逐渐转向网络样本分析，其中神经科学应用中的连接组数据研究是主要推动力。

这些模型通常假设每个网络内的实体是观测单元，即更多数据意味着包含更多实体。然而，另一种范式将关系（如边或路径）视为观测单元，例如电子邮件交换或用户在网站上的导航行为。这种交互网络框架通常应用于单个网络，尚未扩展到观测多个此类网络的情况。

针对这一研究空白，我们提出了一个新的贝叶斯建模框架来分析此类数据。我们的方法基于实践者指定的网络间距离度量，使我们能够使用位置和尺度参数，在网络空间中参数化类似于高斯分布的模型。我们解决了定义交互网络间有意义距离的关键挑战，提出了两种具有理论保证和实用计算策略的新度量方法。

为了实现高效的贝叶斯推断，我们在 involutive MCMC (iMCMC) 框架内开发了专门的马尔可夫链蒙特卡罗 (MCMC) 算法，这些算法针对诱导后验分布的双重难处理和离散特性进行了优化。通过仿真研究，我们证明了我们方法的鲁棒性和效率，并通过基于位置的社交网络 (LSBN) 数据集的案例研究展示了其适用性。

[摘要][PDF][文献]
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）