Bayes-féle közösségdetektálás
A Bayes-féle közösségdetektálás rejtett csoportstruktúrákat inferál hálózatokban, a közösségi tagságot megfigyeletlen változókként kezelve, és Bayes-féle következtetést – tipikusan Markov-lánc Monte Carlo (MCMC) vagy variációs módszerekkel – alkalmazva az összes lehetséges particióra vonatkozó utólagos eloszlást (posterior distribution) számítja ki. A modularitás-optimalizálással ellentétben, az adatokból választja ki a közösségek számát, és elvileg megalapozott bizonytalansági becsléseket ad minden csomópont-hozzárendelésre.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bayesian Community Detection in Networks. ScholarGate. https://scholargate.app/hu/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.
- Modularity AnalysisHálózatelemzés↔ compare
- Multilayer Community DetectionHálózatelemzés↔ compare
- Szociális hálózatok elemzéseHálózatelemzés↔ compare
- Sztochasztikus Blokk ModellHálózatelemzés↔ compare
- Időtartam-közösségdetektálásHálózatelemzés↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →