A Dynamic Stochastic Block Model for Multidimensional Networks
多维网络的动态随机区块模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以多层关系网络、动态社群归属和层间区块关系为核心，并应用于国际贸易网络，直接对应网络分析。
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…
多维网络的动态随机区块模型
- 研究问题
- 多种关系构成的动态网络中，如何刻画各层社群成员变化，以及不同层之间非线性的区块格兰杰关系？
- 方法与思路
- 作者构建层特定隐马尔可夫过程，允许节点其他层的既往归属影响当前归属，并用贝叶斯先验及 Gibbs 抽样推断。
- 材料陈述的贡献
- 摘要称，该模型在模拟中恢复区块格兰杰结构，并将社群检测与贸易引力方程纳入统一框架，发现层间预测关系。
- 阅读关注点
- 应核对层间转移概率、Multi-Laplacian 先验及区块格兰杰关系的定义，并检查贸易应用中的模型设定与比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出识别条件或模拟细节，格兰杰关系不能直接解释为干预效应。
原文摘要
The availability of relational data can offer new insights into the functioning of the economy. Nevertheless, modeling the dynamics in network data with multiple types of relationships is still a challenging issue. Stochastic block models provide a parsimonious and flexible approach to network analysis. We propose a new stochastic block model for multidimensional networks, where layer-specific hidden Markov-chain processes drive the changes in community formation. The changes in the block membership of a node in a given layer may be influenced by its own past membership in other layers. This allows for clustering overlap, clustering decoupling, or more complex relationships between layers, including settings of unidirectional, or bidirectional, non-linear Granger block causality. We address the overparameterization issue of a saturated specification by assuming a Multi-Laplacian prior distribution within a Bayesian framework. Data augmentation and Gibbs sampling are used to make the inference problem more tractable. Through simulations, we show that standard linear models and the pairwise approach are unable to detect block causality in most scenarios. In contrast, our model can recover the true Granger causality structure. As an application to international trade, we show that our model offers a unified framework, encompassing community detection and Gravity equation modeling. We found new evidence of block Granger causality of trade agreements and flows and core-periphery structure in both layers on a large sample of countries.