The Deep Latent Position Block Model
Résumé
The increase in the quantity of data has led to a soaring use of networks to model relationships between different objects, called nodes. Since the number of nodes can be very large, the network information must be summarised, mostly with node clustering methods. In order to make the results interpretable, a relevant visualization of the network is also required. To tackle those two issues, we propose a new method called Deep-LPBM which provides simultaneously a network visualization based on block modelling, allowing a more general clustering than community detections, as well as a continuous representation of nodes in a latent space. Our methodology is based on a variational autoencoder strategy, relying on a graph convolutional network, with a specifically designed decoder. The inference is based on the marginal likelihood of the model, and the optimisation combines analytical equations with stochastic gradient descent. As this work is ongoing, experiments on simulated data as well as on real data will be provided if the paper is accepted for an oral presentation.
L'augmentation des capacités de stockage et des données collectées a entraîné un accroissement des jeux de données disponibles. Par conséquent, l'utilisation des réseaux pour modéliser les relations entre différents objets, appelés des noeuds s'est accrue. Ces réseaux pouvant compter un très grand nombre de noeuds, l'information qu'ils contiennent doit-être résumée, le plus souvent à l'aide de méthodes de clustering de noeuds. Afin de rendre les résultats interprétables, une visualisation pertinente du réseau est également requise. Pour ce faire, nous proposons une nouvelle méthodologie appelée Deep-LPBM, permettant d'obtenir simultanément un clustering des noeuds basé sur une approche par bloc, plus générale que la détection de communautés, ainsi qu'une représentation continue des noeuds dans un espace latent. Deep-LPBM utilise une stratégie d'auto encodeur variationnel, s'appuyant sur un réseau de convolution de graphe, avec un décodeur adapté. L'inférence repose sur la vraisemblance marginale du modèle, et l'optimisation alterne entre des équations analytiques ainsi qu'une descente de gradient stochastique. Ce travail étant en cours, des expériences sur données simulées ainsi que sur données réelles seront fournies si le papier est accepté pour une présentation orale.
Origine | Fichiers produits par l'(les) auteur(s) |
---|