DOI: https://doi.org/10.1017/nws.2025.10021
تاريخ النشر: 2026-01-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: إدارة البيانات والخوارزميات
نظرة عامة
نموذج الموقع الكامن (LPM) هو إطار عمل مستخدم على نطاق واسع لتحليل بيانات الشبكة، حيث يتم تعيين مواقع عشوائية للعقد في فضاء كامن يؤثر على احتمال التفاعلات بناءً على قربها المكاني. يمكن توسيع هذا النموذج إلى نموذج مجموعة الموقع الكامن (LPCM)، الذي يتضمن التجميع من خلال افتراض أن المواقع الكامنة تتبع توزيع خليط محدود. الدراسة الحالية تطور LPCM لمعالجة بيانات الشبكة المفقودة من خلال اعتبار هذه الفجوات كـ “تفاعلات صفرية غير عادية” ودمج توزيع بواسون المتضخم بالصفر في النموذج.
يقدم المؤلفون خوارزمية جديدة جزئيًا من سلسلة ماركوف مونت كارلو التي تستخدم نهج خليط من الخلطات المحدودة (MFM) لتحديد عدد المجموعات تلقائيًا وتحسين تقسيم المجموعات. ميزة مميزة لهذه الخوارزمية هي حركة الامتصاص-الإخراج المقطوعة، التي تعزز كفاءة العينات المنهارة في سياق MFMs. بالإضافة إلى ذلك، توضح الدراسة تطبيق هذه المنهجية في الفضاءات الكامنة ثلاثية الأبعاد، مما يوفر تصورات أوضح ومرونة أكبر مقارنة بالنماذج التقليدية ثنائية الأبعاد. يتم التحقق من فعالية النهج المقترح من خلال ثلاث دراسات محاكاة وتحليل لأربع شبكات حقيقية متاحة للجمهور، مما يكشف عن رؤى جديدة حول هياكل الشبكة.
مقدمة
تناقش مقدمة ورقة البحث نموذج الموقع الكامن (LPM)، الذي اقترحه هوف وآخرون (2002) لتحليل الشبكات الاجتماعية، والذي يمكّن من تصور الشبكة من خلال نمذجة الفضاء الكامن. يفترض LPM أن توزيع البيانات يتأثر بالمواقع الكامنة العشوائية لعقد الشبكة، التي تقع عادة في فضاء إقليدي. تسلط الورقة الضوء على توسيع LPM إلى نموذج مجموعة الموقع الكامن (LPCM)، الذي يتضمن التجميع من خلال افتراض أن المواقع الكامنة تتبع خليط من توزيعات طبيعية متعددة المتغيرات، مما يعزز قدرة النموذج على تمثيل المجتمعات والخلط الانتقائي. ومع ذلك، فإن كل من LPM و LPCM مقيدان بالشبكات ذات التفاعلات الثنائية.
لمعالجة هذه القيود، يقترح المؤلفون نموذج مجموعة الموقع الكامن المتضخم بالصفر (ZIP-LPCM)، الذي يتضمن توزيع بواسون المتضخم بالصفر (ZIP) ليأخذ في الاعتبار التضخم الصفري في الشبكات غير الديناميكية ذات الحواف الموزونة غير السلبية. يهدف هذا النموذج إلى وصف التضخم الصفري، والتجميع، وتصوير الفضاء الكامن في وقت واحد. توضح الورقة أيضًا الإطار البايزي المستخدم لاستدلال المعلمات، مستمدة من الأدبيات الموجودة حول LPCM ونماذج الخلط، وتقدم حركة جديدة للامتصاص-الإخراج المقطوعة (TAE) لتسهيل تقدير المجموعات. تتناول الأقسام التالية من الورقة نموذج ZIP-LPCM، وعملية الاستدلال البايزي، وأداء المنهجية المقترحة من خلال المحاكاة والتطبيقات على الشبكات الاجتماعية الحقيقية.
مناقشة
في هذا القسم، يقدم المؤلفون نموذجًا لتحليل الشبكات الموزونة التي تتميز بحواف غير سلبية منفصلة، مع التركيز على مجموعات البيانات الواقعية مثل شبكات الحضور المشترك بين المشتبه بهم في الجرائم. يستخدم الإطار مصفوفة الجوار $N \times N$ $Y$، حيث يمثل كل عنصر $y_{ij}$ قوة التفاعل بين العقدتين $i$ و $j$. يعالج النموذج المشكلة الشائعة المتمثلة في وجود أصفار مفرطة في البيانات الملاحظة من خلال نموذج بواسون المتضخم بالصفر (ZIP)، الذي يميز بين الأصفار “الهيكلية” (بسبب البيانات المفقودة أو المبلغ عنها بشكل خاطئ) و”الأصفار الحقيقية” الناشئة عن توزيع بواسون. يقترح المؤلفون نموذج ZIP معزز يتضمن متغير مؤشر $\nu_{ij}$ لتصنيف الأصفار الملاحظة، مما يسمح بفهم أكثر دقة لأنماط التفاعل.
لتعزيز النموذج بشكل أكبر، يقدم المؤلفون نموذج مجموعة الموقع الكامن المتضخم بالصفر (ZIP-LPCM)، الذي يفترض أن كل عقدة لها موقع كامن في فضاء كامن. يرتبط معدل التفاعل $\lambda_{ij}$ بالمسافة الإقليدية بين المواقع الكامنة، مع السماح للنموذج بالتجميع بناءً على المواقع الكامنة المستمدة من خليط من توزيعات طبيعية متعددة المتغيرات. يتضمن النموذج أيضًا هيكل نموذج الكتلة العشوائية (SBM) لأخذ في الاعتبار التغيرات في احتمال الأصفار غير العادية بناءً على عضويات المجموعات. يؤكد المؤلفون على مرونة نهجهم، الذي يمكن أن يتكيف مع سيناريوهات التجميع المختلفة ويستفيد من سمات العقد الإضافية عند توفرها، مما يوفر في النهاية إطارًا قويًا لتحليل التفاعلات المعقدة في الشبكات.
DOI: https://doi.org/10.1017/nws.2025.10021
Publication Date: 2026-01-01
Author(s): Zhenyun Du et al.
Primary Topic: Data Management and Algorithms
Overview
The Latent Position Model (LPM) is a widely utilized framework for analyzing network data, where nodes are assigned random positions in a latent space that influences the probability of interactions based on their spatial proximity. This model can be extended to the Latent Position Cluster Model (LPCM), which incorporates clustering by assuming latent positions follow a finite mixture distribution. The current study advances the LPCM to address missing network data by treating these gaps as “unusual” zero interactions and integrating the zero-inflated Poisson distribution into the model.
The authors introduce a novel partially collapsed Markov chain Monte Carlo algorithm that employs a Mixture-of-Finite-Mixtures (MFM) approach to automatically ascertain the number of clusters and optimize group partitioning. A distinctive feature of this algorithm is the truncated absorb-eject move, which enhances the efficiency of collapsed samplers in the context of MFMs. Additionally, the study demonstrates the application of this methodology in 3-dimensional latent spaces, providing clearer visualizations and greater flexibility compared to traditional 2-dimensional models. The effectiveness of the proposed approach is validated through three simulation studies and the analysis of four publicly available real networks, revealing new insights into network structures.
Introduction
The introduction of the research paper discusses the Latent Position Model (LPM), initially proposed by Hoff et al. (2002) for social network analysis, which enables network visualization through latent space modeling. The LPM posits that the data distribution is influenced by the stochastic latent positions of network nodes, typically situated in a Euclidean space. The paper highlights the extension of the LPM to the Latent Position Cluster Model (LPCM), which incorporates clustering by assuming that latent positions follow a mixture of multivariate normal distributions, thereby enhancing the model’s ability to represent communities and assortative mixing. However, both the LPM and LPCM are limited to networks with binary interactions.
To address these limitations, the authors propose the Zero-Inflated Poisson Latent Position Cluster Model (ZIP-LPCM), which incorporates a Zero-Inflated Poisson (ZIP) distribution to account for zero inflation in non-dynamic unipartite networks with non-negative discrete weighted edges. This model aims to simultaneously characterize zero inflation, clustering, and latent space visualization. The paper also outlines the Bayesian framework employed for parameter inference, drawing from existing literature on LPCM and mixture models, and introduces a novel Truncated Absorb-Eject (TAE) move to facilitate the estimation of clusters. The subsequent sections of the paper detail the ZIP-LPCM model, the Bayesian inference process, and the performance of the proposed methodology through simulations and applications to real social networks.
Discussion
In this section, the authors present a model for analyzing weighted networks characterized by non-negative discrete edges, focusing on real-world datasets such as co-attendance networks among criminal suspects. The framework utilizes an $N \times N$ adjacency matrix $Y$, where each element $y_{ij}$ represents the interaction strength between nodes $i$ and $j$. The model addresses the common issue of excessive zeros in observed data through a Zero-Inflated Poisson (ZIP) model, which distinguishes between “structural” zeros (due to missing or misreported data) and “true” zeros arising from the Poisson distribution. The authors propose an augmented ZIP model that incorporates an indicator variable $\nu_{ij}$ to classify observed zeros, allowing for a more nuanced understanding of interaction patterns.
To further enhance the model, the authors introduce a Zero-Inflated Poisson Latent Position Cluster Model (ZIP-LPCM), which assumes that each node has a latent position in a latent space. The interaction rate $\lambda_{ij}$ is linked to the Euclidean distance between latent positions, with the model allowing for clustering based on latent positions drawn from a mixture of multivariate normal distributions. The model also incorporates a Stochastic Block Model (SBM) structure to account for variations in the probability of unusual zeros based on group memberships. The authors emphasize the flexibility of their approach, which can adapt to different clustering scenarios and leverage additional node attributes when available, ultimately providing a robust framework for analyzing complex network interactions.