| عنوان مقاله به انگلیسی | Community Detection in the Multi-View Stochastic Block Model |
| عنوان مقاله به فارسی | تشخیص جامعه در مدل بلوک تصادفی چند منظوره |
| نویسندگان | Yexin Zhang, Zhongtian Ma, Qiaosheng Zhang, Zhen Wang, Xuelong Li |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | This paper considers the problem of community detection on multiple potentially correlated graphs from an information-theoretical perspective. We first put forth a random graph model, called the multi-view stochastic block model (MVSBM), designed to generate correlated graphs on the same set of nodes (with cardinality $n$). The $n$ nodes are partitioned into two disjoint communities of equal size. The presence or absence of edges in the graphs for each pair of nodes depends on whether the two nodes belong to the same community or not. The objective for the learner is to recover the hidden communities with observed graphs. Our technical contributions are two-fold: (i) We establish an information-theoretic upper bound (Theorem~1) showing that exact recovery of community is achievable when the model parameters of MVSBM exceed a certain threshold. (ii) Conversely, we derive an information-theoretic lower bound (Theorem~2) showing that when the model parameters of MVSBM fall below the aforementioned threshold, then for any estimator, the expected number of misclassified nodes will always be greater than one. Our results for the MVSBM recover several prior results for community detection in the standard SBM as well as in multiple independent SBMs as special cases. |
| تعداد صفحات | 12 |
| چکیده به فارسی (ترجمه ماشینی) | در این مقاله ، مشکل تشخیص جامعه در چندین نمودار همبسته بالقوه از منظر اطلاعات نظری اطلاعات در نظر گرفته شده است.ما ابتدا یک مدل نمودار تصادفی با نام مدل بلوک تصادفی چند منظوره (MVSBM) را ارائه دادیم که برای تولید نمودارهای همبسته در همان مجموعه گره ها (با کاردینالیت $ n $) طراحی شده است.گره های $ $ $ به دو اجتماع جدا از اندازه مساوی تقسیم می شوند.وجود یا عدم وجود لبه ها در نمودارها برای هر جفت گره بستگی به این دارد که آیا این دو گره متعلق به یک جامعه یکسان هستند یا خیر.هدف از یادگیرنده بازیابی جوامع پنهان با نمودارهای مشاهده شده است.مشارکتهای فنی ما دو برابر است: (i) ما یک محدوده فوقانی-نظری اطلاعات (قضیه 1 ~) ایجاد می کنیم که نشان می دهد بهبودی دقیق جامعه هنگامی که پارامترهای مدل MVSBM از یک آستانه خاص فراتر می روند ، قابل دستیابی است.(ب) برعکس ، ما یک محدوده پایین تر-نظری اطلاعات (قضیه ~ 2) به دست می آوریم که نشان می دهد وقتی پارامترهای مدل MVSBM زیر آستانه فوق الذکر قرار می گیرند ، برای هر برآوردگر ، تعداد مورد انتظار گره های نادرست همیشه بیشتر از یک خواهد بود.نتایج ما برای MVSBM چندین نتیجه قبلی را برای تشخیص جامعه در SBM استاندارد و همچنین در SBM های مستقل به عنوان موارد خاص بازیابی می کند. |
| دسته بندی موضوعات | Social and Information Networks,Information Theory,Machine Learning,Signal Processing,شبکه های اجتماعی و اطلاعاتی ، تئوری اطلاعات ، یادگیری ماشین ، پردازش سیگنال ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. , Comments: Submitted to IEEE for possible publication |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: برای انتشار احتمالی به IEEE ارسال شده است |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.