Machine learningNetwork science

Δυναμικό Στοχαστικό Μοντέλο Μπλοκ

Το Δυναμικό Στοχαστικό Μοντέλο Μπλοκ (DSBM) είναι ένα παραγωγικό πιθανοτικό πλαίσιο που επεκτείνει το στατικό στοχαστικό μοντέλο μπλοκ σε δίκτυα που παρατηρούνται σε πολλαπλά χρονικά σημεία. Μοντελοποιεί από κοινού τη συμμετοχή σε κοινότητες και την εξέλιξη των κοινοτήτων, επιτρέποντας στους ερευνητές να ανιχνεύουν και να παρακολουθούν λανθάνουσες ομάδες και τις δομικές τους αλλαγές με την πάροδο του χρόνου σε διαχρονικά δεδομένα δικτύων.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Yang, T., Chi, Y., Zhu, S., Gong, Y., & Jin, R. (2011). Detecting communities and their evolutions in dynamic social networks — a Bayesian approach. Machine Learning, 82(2), 157–189. DOI: 10.1007/s10994-010-5214-7
  2. Matias, C., & Miele, V. (2017). Statistical clustering of temporal networks through a dynamic stochastic block model. Journal of the Royal Statistical Society: Series B, 79(4), 1119–1141. DOI: 10.1111/rssb.12200

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Dynamic Stochastic Block Model (Temporal Community Detection). ScholarGate. https://scholargate.app/el/network-analysis/dynamic-stochastic-block-model

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.

Compare side by side

Αναφέρεται από

ScholarGateDynamic Stochastic Block Model (Dynamic Stochastic Block Model (Temporal Community Detection)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/network-analysis/dynamic-stochastic-block-model · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026