Nonparametric identification and estimation of stochastic block models from many small networks
基于多个小网络的随机区块模型非参数识别与估计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：摘要明确研究含潜在社群和节点异质性的加权网络模型。
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
基于多个小网络的随机区块模型非参数识别与估计
- 研究问题
- 当网络节点具有不可观测的群体异质性时，能否利用多个固定规模的小网络识别潜在社群及边和权重的分布？
- 方法与思路
- 作者建立加权随机区块模型，以一个秩条件形成构造性识别论证，并据此提出计算便利的非参数估计量。
- 材料陈述的贡献
- 摘要称，社群数量、社群分布及条件边权分布均可识别，并在独立小网络数量增长的渐近框架下建立极限理论。
- 阅读关注点
- 应核对秩条件及最小网络规模、潜在社群标签的处理方式，以及跨网络独立性和共同分布假设的适用性。
- 阅读边界
- 仅据 OpenAlex 所列摘要；具体秩条件、网络规模限制与数值结果未说明，不能直接适用于单个不断扩大的网络。
原文摘要
This paper concerns the analysis of network data when unobserved node-specific heterogeneity is present. We postulate a weighted version of the classic stochastic block model, where nodes belong to one of a finite number of latent communities and the placement of edges between them and any weight assigned to these depend on the communities to which the nodes belong. A simple rank condition is presented under which we establish that the number of latent communities, their distribution, and the conditional distribution of edges and weights given community membership are all nonparametrically identified from knowledge of the joint (marginal) distribution of edges and weights in graphs of a fixed size. The identification argument is constructive and we present a computationally-attractive nonparametric estimator based on it. Limit theory is derived under asymptotics where we observe a growing number of independent networks of a fixed size. The results of a series of numerical experiments are reported on.