Skip to Main content Skip to Navigation
Conference papers

Inférence efficace des modèles à blocs stochastiques et à blocs latents pour les graphes creux

Résumé : Nous présentons un algorithme d'inférence variationnelle pour les modèles à blocs stochastiques et à blocs latents pour les graphes creux, qui tire parti de la rareté des arêtes pour passer à l'échelle sur un très grand nombre de noeuds. Cet algorithme est implémenté sous la forme d'un module python, appelé sparsebm, qui peut traiter des graphes comportant des millions de noeuds. Abstract. We present a variational inference algorithm for the Stochastic Block Model and the Latent Block Model for sparse graphs, which leverages on the sparsity of edges to scale up to a very large number of nodes. This algorithm is implemented as a python package, called sparsebm, which can handle graphs with millions of nodes.
Document type :
Conference papers
Complete list of metadatas

Cited literature [5 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-02973828
Contributor : Gabriel Frisch <>
Submitted on : Wednesday, October 21, 2020 - 12:11:51 PM
Last modification on : Wednesday, November 4, 2020 - 2:35:21 PM

File

sparsebm.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-02973828, version 1

Collections

Citation

Gabriel Frisch, Jean-Benoist Leger, Yves Grandvalet. Inférence efficace des modèles à blocs stochastiques et à blocs latents pour les graphes creux. 52èmes Journées de Statistiques de la Société Française de Statistique (SFdS), May 2020, Nice, France. ⟨hal-02973828⟩

Share

Metrics

Record views

28

Files downloads

13