Bayes'sche Gemeinschaftserkennung
Die Bayes'sche Gemeinschaftserkennung inferiert latente Gruppenstrukturen in Netzwerken, indem sie die Mitgliedschaft in Gemeinschaften als unbeobachtete Variablen behandelt und Bayes'sche Inferenz – typischerweise mittels Markov-Chain-Monte-Carlo oder Variationsmethoden – verwendet, um eine Posterior-Verteilung über alle plausiblen Partitionen zu berechnen. Im Gegensatz zur Modulationsoptimierung wählt sie die Anzahl der Gemeinschaften aus den Daten aus und liefert prinzipienbasierte Unsicherheitsschätzungen für jede Knoten-Zuweisung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Peixoto, T. P. (2014). Efficient Monte Carlo and greedy heuristic for the inference of stochastic block models. Physical Review E, 89(1), 012804. DOI: 10.1103/PhysRevE.89.012804 ↗
- Nowicki, K. & Snijders, T. A. B. (2001). Estimation and prediction for stochastic blockstructures. Journal of the American Statistical Association, 96(455), 1077–1087. DOI: 10.1198/016214501753208735 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Community Detection in Networks. ScholarGate. https://scholargate.app/de/network-analysis/bayesian-community-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ModularitätsanalyseNetzwerkanalyse↔ compare
- Multilayer Community DetectionNetzwerkanalyse↔ compare
- Analyse sozialer NetzwerkeNetzwerkanalyse↔ compare
- Stochastic Block ModelNetzwerkanalyse↔ compare
- Zeitliche GemeinschaftserkennungNetzwerkanalyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →