shinySbm - Archive ouverte HAL Accéder directement au contenu
Logiciel Année : 2023

shinySbm

shinySbm

Résumé

We have developed the ShinySBM application, which facilitates the detection of structures and communities in networks via the application of a stochastic block model. communities in networks by applying a stochastic block model Aubert et al. [2022]. Networks are composed of nodes (individuals, species, telephone, etc.) and edges (relationship/connection/etc.). Networks can be ecological (predatory relationships), social (professional advice), transport advice), transport, IT, etc... They can take different forms, such as unipartite networks (e.g. a food web) or bipartite networks (e.g. a plant-pollinator network), directed or undirected. Analysis of these networks can help us to understand their underlying structure, discover communities and patterns, and predict their behavior. However, the statistical network data can be complex and difficult to visualize. By using a matrix representation of these networks, it is possible to infer a stochastic block model (SBM). SBM is a model that divides network nodes into groups or blocks, according to their links. The probability of two nodes connecting depends on the groups to which they belong. It is widely used to study/identify structures or communities from a network. The application is based on the sbm package Chiquet et al [2023], which enables inference of such a stochastic block model (SBM). The ShinySBM application enables users with or without a background in statistics to use the package without having to code in R, and also facilitates the exploitation and interpretation of the outputs. Finally, users wishing to go further can extract the codes produced by the application.
Nous avons développé l’application ShinySBM, qui facilite la détection de structures et de communautés dans des réseaux via l’application d’un modèle à blocs stochastiques Aubert et al. [2022]. Les réseaux sont composés de nœuds (individus, espèces, téléphone, etc...) et d’arêtes (relation/connexion/etc...). Les réseaux peuvent être écologiques (relation de prédation), sociaux (conseil professionnel), de transport, informatiques, etc... Ils peuvent prendre différentes formes, telles que les réseaux unipartites (ex : un réseau trophique) ou bipartites (ex : un réseau plantes–pollinisateur), dirigés ou non. L’analyse de ces réseaux peut nous aider à comprendre leur structure sous-jacente, à découvrir des communautés et des motifs, et à prédire leur comportement. Cependant, l’analyse statistique de ces données de réseaux peut être complexe et difficile à visualiser. En passant par une représentation matricielle de ces réseaux, il est possible d’inférer un modèle à bloc stochastique (SBM). Le SBM est un modèle qui divise les nœuds du réseau en groupes ou blocs, en fonction de leurs liens. La probabilité que deux nœuds se connectent dépend de leurs groupes d’appartenance. Il est largement utilisé pour étudier/identifier des structures ou des communautés à partir d’un réseau. L’application est basée sur le package sbm Chiquet et al. [2023] qui permet l’inférence d’un tel modèle à bloc stochastique (SBM). L’application ShinySBM permet à des utilisateurs initiés en statistique ou non, d’utiliser le package sans avoir à coder en R mais aussi facilite l’exploitation et l’interprétation des sorties. Enfin des utilisateurs souhaitant aller plus loin peuvent extraire les codes produit par l’application.
85 Consultations
1 Téléchargements

Partager

Gmail Facebook X LinkedIn More