Nicht-parametrische Inferenz von Interaktionsmustern höherer Ordnung in Netzwerken

Wir stellen eine Methode zur Gewinnung sparsamer Zerlegungen von Netzwerken in Interaktionen höherer Ordnung vor, die die Form beliebiger zusammenhängender Motive annehmen können. Die Methode basiert auf einer Klasse analytisch lösbarer generativer Modelle, in denen Knoten über explizite Kopien von Motiven verbunden sind, die in Kombination mit nicht-parametrischen Priors es uns ermöglichen, Interaktionen höherer Ordnung aus dyadischen Graphdaten ohne Vorkenntnisse über die Arten oder Häufigkeiten solcher Interaktionen zu inferieren.