对抗样本训练图分类器进行模型推理质量评估

重叠社区发现是社交网络分析与挖掘中的一个重要研究问题,现有的大部分方法都要求采用人工方法预先设定社区个数K,这样做存在很多问题。将无限潜特征模型推广应用到关系型数据,以非参数贝叶斯层次模型为框架建立带重叠社区结构的网络生成模型,就可以避免预先设定K的值。然而,关系型无限潜特征模型的后验参数推理结果是一个N×K列的0、1矩阵上的概率分布,如何对这种多变量结构参数进行后验推理结果总结和后验推理质量评估是一个挑战,因此提出了一种利用基于对抗样本训练图卷积神经网络的图分类器来帮助总结推理结果和估计推理质量的方法。

稀疏可交换图建模研究综述

可交换性假设是采用贝叶斯模型对网络数据建模的重要前提,基于Aldous-Hoover表示理论的可交换图不能生成稀疏网络.实证结果表明,真实世界中的很多复杂网络都具有节点度幂律分布的稀疏特征,基于Kallenberg表示理论的可交换图能够同时满足可交换性和稀疏性.以Caron-Fox模型和Graphex模型为例,对稀疏可交换图建模的相关概念、理论和方法的研究发展进行了综述.首先讨论了随机图、贝叶斯非参数混合模型、可交换表示理论、Poisson点过程、离散非参数先验等理论的研究历程;然后介绍了Caron-Fox模型的表示;进而总结了进行稀疏可交换图的随机模拟所涉及的截断采样和边缘化采样方法;接下来综述了稀疏可交换图模型的后验推理技术;最后对稀疏可交换图建模的最新进展和研究前景做了介绍.