Stokastik Blok Modeli — Ağlarda Olasılıksal Topluluk Tespiti
Stochastic Block Model (SBM) · Ayrıca şöyle bilinir: SBM, degree-corrected SBM, DCSBM, Stokastik Blok Modeli (SBM)
Holland, Laskey ve Leinhardt (1983) tarafından tanıtılan Stokastik Blok Modeli (SBM), düğümleri gizli bloklara atayan ve bloklar arasındaki bağlantı olasılıklarını parametrik olarak tahmin eden, grafikler için olasılıksal bir üretken modeldir. Ağ analizinde topluluk tespiti, çekirdek-çevre (core-periphery) tanımlaması ve hiyerarşik yapı keşfi için temel yaklaşımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+14 tane daha
Ne zaman kullanılır
En az 50 düğümlü bir ağınız varsa ve grupların yoğun klikler olması gerektiğini varsaymadan gizli grup yapısını keşfetmek istiyorsanız Stokastik Blok Modelini kullanın. Yönlü veya yönsüz grafikler, ağırlıklı veya ağırlıksız grafikler için uygundur ve keşifsel olduğu kadar sınıflandırma görevleri için de elverişlidir. Düğüm dereceleri önemli ölçüde değiştiğinde DCSBM varyantı tercih edilir. Grafik 20'den az düğüme sahipse, topluluk yapısı güvenilir bir şekilde tahmin edilemez ve bunun yerine daha basit tanımlayıcı metrikler kullanılmalıdır. Varsayımlar: blok üyelikleri gizlidir ve gözlemlenmez; blok bağlantı matrisinin her blok çifti içinde homojen olduğu varsayılır; ve K keyfi olarak sabitlenmek yerine BIC veya Bayes faktörü ile seçilmelidir.
Güçlü yönler & sınırlılıklar
- Keyfi parametre seçimlerinden kaçınarak BIC veya Bayes faktörü aracılığıyla model seçimine izin veren prensipli olasılıksal çerçeve.
- Algoritmik yöntemlerin yoğun-klik varsayımının ötesinde, topluluklar, çekirdek-çevre, iki parçalı ve hiyerarşik gibi geniş bir yapısal örüntü yelpazesini barındırır.
- Derece Düzeltmeli varyant, blok atamalarını bozmadan heterojen derece dağılımlarına ve merkezlere sahip grafikleri ele alır.
- Sonsal üyelik olasılıkları sağlayarak, kesin bölümlendirmeler yerine yumuşak veya belirsiz düğüm atamalarına olanak tanır.
- Güvenilir blok tahmini için en az yaklaşık 50 düğüm gerektirir; çok küçük grafikler kararsız çözümler üretir.
- Büyük grafikler için çıkarım hesaplama açısından pahalıdır: varyasyonel EM veya MCMC gereklidir ve yakınsama garanti edilmez.
- Temel SBM'nin blok çiftleri içindeki homojenlik varsayımı, blok içi bağlantı oranları değiştiğinde bozulur — DCSBM bunu hafifletir ancak tamamen ortadan kaldırmaz.
- BIC veya Bayes faktörü aracılığıyla blok seçimi, grafik zayıf ayrılmış topluluklara sahipse yine de eksik veya fazla bölümlendirmeye neden olabilir.
SSS
Stokastik Blok Modeli, modülerlik tabanlı topluluk tespitinden nasıl farklıdır?
Modülerlik maksimizasyonu (örneğin, Louvain, Leiden), örtük olarak assortatif, yaklaşık olarak eşit büyüklükteki toplulukları varsayan ve küçük toplulukların tespitini engelleyen bilinen bir çözünürlük sınırına sahip sezgisel bir amacı optimize eder. SBM, açık varsayımlara sahip üretken bir olasılıksal modeldir; blok sayısı sezgisel optimizasyon yerine model seçimi (BIC veya Bayes faktörü) ile seçilir ve modülerlik tabanlı yöntemlerin kaçırdığı disassortatif ve çekirdek-çevre yapılarını tespit edebilir.
Temel SBM yerine DCSBM'yi ne zaman kullanmalıyım?
Düğüm derece dağılımı heterojen olduğunda DCSBM kullanın — örneğin, az sayıda merkezin kenarların büyük bir kısmını oluşturduğu durumlarda veya derece dizisi yaklaşık bir üstel kanunu takip ettiğinde. Temel SBM, bir blok içindeki tüm düğümleri değiştirilebilir olarak ele alır, bu da merkezlerin kendi sahte bloklarına çekilmesine neden olur. DCSBM, yapısal konumu dereceden ayıran bir derece düzeltme terimi ekleyerek bu tür grafiklerde daha yorumlanabilir blok atamaları üretir.
Blok sayısı K'yi nasıl seçerim?
Bir dizi K değeri için modelleri uydurun ve BIC'yi minimize eden veya Bayes faktörünü maksimize eden (veya eşdeğer olarak tanımlama uzunluğunu minimize eden) değeri seçin. K'yi grafiğin görsel incelemesine veya ön beklentilere dayanarak seçmeyin. Çoğu uygulama (graph-tool, R'deki blockmodels) bu aramayı otomatikleştirir. Hassasiyet analizi — K bir birim değiştirildiğinde niteliksel blok yapısının değişip değişmediğini kontrol etmek — de önerilir.
SBM'nin güvenilir olması için minimum ağ boyutu nedir?
Kayıt, güvenilir çıkarım için minimum 50 düğüm belirtir. 20'den az düğümle model anlamlı topluluk yapısını tanımlayamaz ve gürültüyü uydurur — bunun yerine tanımlayıcı ağ istatistiklerini veya basit topluluk tespitini kullanın. 20 ila 50 düğüm arasındaki sonuçlar keşifsel olarak ele alınmalı ve dikkatle yorumlanmalıdır.
Kaynaklar
- Holland, P.W., Laskey, K.B. & Leinhardt, S. (1983). Stochastic Blockmodels: First Steps. Social Networks, 5(2), 109-137. DOI: 10.1016/0378-8733(83)90021-7 ↗
- Lee, C. & Wilkinson, D.J. (2019). A Review of Stochastic Block Models and Extensions for Graph Clustering. Applied Network Science, 4(1), 122. DOI: 10.1007/s41109-019-0232-2 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Stochastic Block Model (SBM). ScholarGate. https://scholargate.app/tr/network-analysis/stochastic-block-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Graf Dikkat AğıDerin öğrenme↔ karşılaştır
- Hiyerarşik KümelemeMakine öğrenmesi↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Metin Ağı AnaliziMetin madenciliği↔ karşılaştır