فایل ورد کامل تشخیص جامعه سازگار در داده‌های شبکه چند لایه

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص جامعه سازگار در داده‌های شبکه چند لایه،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

داده های دارای چند لایه ی شبکه را در نظر بگیرید که روابط میان هر جفت عنصر در چند حالت منعکس شده و به وسیله بردارهای چند متغیره یا حتی ابعادی بالا توصیف شود. در چارچوب مدل بلوک تصادفی چند لایه، نتایج را با استفاده از حداقل ثبات مربعات بدست می آوریم. قضایای ما نشان می‌دهند که، در مقایسه با تشخیص جامعه تک – لایه، یک شبکه چند لایه اطلاعاتی بسیار غنی‌تر ارائه می کند که تشخیص جامعه سازگار را از شبکه بسیار تنک ممکن ساخته و تراکم حاشیه ای مورد نیاز به عنوان عاملی از ریشه دوم تعداد لایه‌ها کاهش می‌یابد. . علاوه بر این چارچوب این لایه ها به صورتی است که ساختار منسجمی را در بین لایه ها تشخیص داده به صورتی که مرز میان این لایه ها و تشخیص آن کار دشواری باشد. در ادامه و در قسمت نتایج نظری پژوهش به ارائه مثالی برای شبیه سازی داده ها پرداخته می شود.

برخی از کلمات کلیدی: تشخیص جامعه | ثبات | شبکه تنک | مرز طیفی تانسور

عنوان انگلیسی:

Consistent community detection in multi-layer network data

~~en~~ writers :

JING LEI, KEHUI CHEN AND BRIAN LYNCH

We consider multi-layer network data where the relationships between pairs of elements are
reflected in multiple modalities and may be described by multivariate or even high-dimensional
vectors. Under the multi-layer stochastic block model framework, we derive consistency results
for a least squares estimation of memberships. Our theorems show that, as compared to singlelayer community detection, a multi-layer network provides much richer information that allows
for consistent community detection from a much sparser network, with required edge density
reduced by a factor of the square root of the number of layers. Moreover, the multi-layer framework can detect cohesive community structure across layers, which might be hard to detect by
any single-layer or simple aggregation. Simulations and a data example are provided to support
the theoretical results.

Some key words: Community detection | Consistency | Sparse network | Tensor concentration bound.

$$en!!