Machine learningNetwork science

Analyse bayésienne de réseaux multiplexes

L'analyse bayésienne de réseaux multiplexes applique la modélisation générative probabiliste à des réseaux qui supportent simultanément plus d'un type de lien relationnel — tels que les liens d'amitié, de collaboration et de communication au sein du même ensemble d'acteurs. En plaçant des distributions a priori sur les appartenances aux communautés, les probabilités d'arêtes et les interdépendances des couches, le cadre produit des distributions a posteriori plutôt que des estimations ponctuelles, soutenant ainsi une quantification principielle de l'incertitude sur toutes les propriétés inférées du réseau.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  1. De Bacco, C., Power, E. A., Larremore, D. B., & Moore, C. (2017). Community detection, link prediction, and layer interdependence in multilayer networks. Physical Review E, 95(4), 042317. DOI: 10.1103/PhysRevE.95.042317
  2. Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203-271. DOI: 10.1093/comnet/cnu016

Comment citer cette page

ScholarGate. (2026, June 3). Bayesian Multiplex Network Analysis (Probabilistic Inference on Multi-Layer Networks). ScholarGate. https://scholargate.app/fr/network-analysis/bayesian-multiplex-network-analysis

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
ScholarGateBayesian Multiplex Network Analysis (Bayesian Multiplex Network Analysis (Probabilistic Inference on Multi-Layer Networks)). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/bayesian-multiplex-network-analysis · Jeu de données : https://doi.org/10.5281/zenodo.20539026