Model-free algorithms for fast node clustering in SBM type graphs and application to social role inference in animals
Algorithmes model-free pour le clustering de nœuds dans les graphes de type SBM et application à l'inférence des rôles sociaux chez les animaux
Résumé
We propose a novel family of model-free algorithms for node clustering and parameter inference in graphs generated from the Stochastic Block Model (SBM), which is a fundamental framework for community detection. Inspired by the Lloyd algorithm for the k-means problem, our approach can be applied to SBMs with general edge weight distributions. We prove the consistency of our estimator under a natural identifiability condition. Through extensive numerical experimentation, we benchmark our methods against state-of-the-art techniques, demonstrating significantly faster computation times with the lower order of estimation error. Finally, we demonstrate the practical relevance of our algorithms by applying them to empirical network data from behavioural ecology.
Nous proposons une nouvelle famille d'algorithmes model-free pour le regroupement de nœuds et l'inférence de paramètres dans les graphes générés à partir d'un SBM, qui est un cadre fondamental pour la détection de communautés. Inspirée de l'algorithme de Lloyd pour le problème du k-means, notre approche peut être appliquée aux SBMs avec des lois de probabilité générales pour le poid des arêtes. Nous prouvons la consistance de notre estimateur sous des conditions d'identifiabilité naturelles. Au moyen d'expériences numériques approfondies, nous comparons nos méthodes à celles utilisées dans la littérature, démontrant des temps de calcul nettement plus rapides avec un ordre d'erreur d'estimation inférieur. Enfin, nous démontrons la pertinence pratique de nos algorithmes en les appliquant à des données empiriques issues de réseaux d'écologie comportementale.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |