The method of moments and degree distributions for network models
网络模型的矩方法与度分布AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究图概率模型、图模式计数和度分布，直接对应网络方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
网络模型的矩方法与度分布
- 研究问题
- 如何依据单个图中的局部模式计数拟合广泛的网络概率模型，并在图规模增大及不同平均度范围下建立估计性质？
- 方法与思路
- 作者用图中若干模式的经验计数构造图矩，提出一般矩估计框架，研究经验图矩的渐近性质，并进一步分析度分布。
- 材料陈述的贡献
- 摘要称建立经验图矩的一般渐近性质，并在包括常数量级平均度的范围内证明估计一致性，为度分布情形提供额外结果。
- 阅读关注点
- 应核对网络概率模型、所选图模式及参数识别条件，尤其检查稀疏程度、矩的归一化和图规模增长下的一致性范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未核对全文或版本差异。摘要未列具体模型条件，也未提供网络干扰或因果效应结论。
原文摘要
Probability models on graphs are becoming increasingly important in many applications, but statistical tools for fitting such models are not yet well developed. Here we propose a general method of moments approach that can be used to fit a large class of probability models through empirical counts of certain patterns in a graph. We establish some general asymptotic properties of empirical graph moments and prove consistency of the estimates as the graph size grows for all ranges of the average degree including Ω(1). Additional results are obtained for the important special case of degree distributions.