Variable Selection for High-Dimensional Nodal Attributes in Social Networks with Degree Heterogeneity
度异质性社会网络中高维节点属性的变量选择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：摘要直接研究社会网络连边、节点属性同质性与度异质性。
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…
度异质性社会网络中高维节点属性的变量选择
- 研究问题
- 当网络连边同时受超高维节点属性和节点受欢迎程度影响时，如何在稠密与稀疏网络中筛选相关节点特征？
- 方法与思路
- 作者提出贝叶斯变量选择方法并用 Gibbs 抽样实现；针对大型稀疏网络，另设每步基于稠密子图更新参数的工作模型。
- 材料陈述的贡献
- 摘要称，两类模型均具有模型选择一致性，允许属性维度随网络规模指数增长，并通过蒙特卡洛和三个真实案例展示表现。
- 阅读关注点
- 应核对受欢迎程度参数的限制、属性效应与度异质性的区分、子图选取及更新规则，以及选择一致性所需的其他条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所谓温和条件、计算成本及案例结果未具体说明，不能推断刊本变化。
原文摘要
We consider a class of network models, in which the connection probability depends on ultrahigh-dimensional nodal covariates (homophily) and node-specific popularity (degree heterogeneity). A Bayesian method is proposed to select nodal features in both dense and sparse networks under a mild assumption on popularity parameters. The proposed approach is implemented via Gibbs sampling. To alleviate the computational burden for large sparse networks, we further develop a working model in which parameters are updated based on a dense sub-graph at each step. Model selection consistency is established for both models, in the sense that the probability of the true model being selected converges to one asymptotically, even when the dimension grows with the network size at an exponential rate. The performance of the proposed models and estimation procedures are illustrated through Monte Carlo studies and three real world examples. Supplementary materials for this article are available online.