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

Gabriel Frisch (1) , Jean-Benoist Leger (1) , Yves Grandvalet (1)

1 Heudiasyc - Heuristique et Diagnostic des Systèmes Complexes [Compiègne]

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.

Mots clés: Mots-clés Co-clustering; LBM; SBM; inférence variationnelle; graphe creux; matrice creuse Keywords Co-clustering; variationnal inference; sparse graph; sparse matrix

Domaines: Statistiques [stat]

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 - jds 2020), May 2020, Nice, France. ⟨hal-02973828⟩