Efficient Analysis of Latent Spaces in Heterogeneous Networks
异质网络潜在空间的高效分析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：摘要明确研究多网络的共享与特有潜在结构及边权数据，直接对应网络建模方向，但未涉及网络中的因果干扰效应。
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…
关注这篇论文的作者
异质网络潜在空间的高效分析
- 研究问题
- 多个异质网络同时含有共同与网络特有的潜在结构时，如何分离这些成分，并提高潜在向量估计的统计效率？
- 方法与思路
- 作者把潜在向量分解为共享及网络特有成分，先识别共享向量，再利用有效得分方程改进估计，兼容多种边权分布。
- 材料陈述的贡献
- 摘要称统一框架可达到统计效率，并同时建立共享和异质潜在向量的 oracle 误差率，允许较灵活的边权类型。
- 阅读关注点
- 应核对潜在分解的可识别性与等价变换、共享结构识别步骤，以及有效得分构造、误差率条件和边权分布限制。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；效率基准、oracle 含义及分布条件未展开，不能推断适用于任意异质网络。
原文摘要
This work proposes a unified framework for efficient estimation under latent space modeling of heterogeneous networks. We consider a class of latent space models that decompose latent vectors into shared and network-specific components across networks. We develop a novel procedure that first identifies the shared latent vectors and further refines estimates through efficient score equations to achieve statistical efficiency. Oracle error rates for estimating the shared and heterogeneous latent vectors are established simultaneously. The analysis framework offers remarkable flexibility, accommodating various types of edge weights under general distributions.