Modelo de agrupamiento jerárquico con doble instancia de agrupación

Abstract

Este trabajo presenta una variante del modelo de bloques estocásticos que implementa un enfoque de agrupamiento jerárquico en dos niveles distintos. En primera instancia, el modelo realiza una agrupación de los nodos individuales en bloques, para posteriormente ejecutar un segundo nivel de agrupamiento donde los bloques iniciales son reorganizados en estructuras de segundo orden. La metodología se fundamenta en un marco Bayesiano riguroso, empleando algoritmos de Cadenas de Markov Monte Carlo (MCMC) para la estimación de parámetros e inferencia de la estructura latente. La validación del modelo propuesto se realiza mediante un análisis en dos contextos: redes simuladas con características estructurales diversas y controladas, y redes empíricas de naturaleza heterogénea, incluyendo comunidades de áreas corticales cerebrales y redes de interacciones sociales. Finalmente, se presenta un análisis meticuloso de la convergencia de las cadenas MCMC para los parámetros mas significativos del modelo, así como una evaluación comparativa de la precisión en la recuperación de estructuras latentes, organizaciones multinivel y la bondad de ajuste a los datos observados. (Texto tomado de la fuente).

This work presents a variant of the stochastic block model that implements a hierarchical clustering approach at two distinct levels. Initially, the model performs a grouping of individual nodes into blocks, to subsequently execute a second level of clustering where the initial blocks are reorganized into second-order structures. The methodology is based on a rigorous Bayesian framework, employing Markov Chain Monte Carlo (MCMC) algorithms for parameter estimation and inference of the latent structure. The validation of the proposed model is carried out through an analysis in two contexts: simulated networks with diverse and controlled structural characteristics, and empirical networks of heterogeneous nature, including communities of cortical brain areas and social interaction networks. Finally, a meticulous analysis of the convergence of the MCMC chains for the most significant parameters of the model is presented, as well as a comparative evaluation of the precision in the recovery of latent structures, multilevel organizations, and the goodness of fit to the observed data.