Optimal Estimation of Parameters in Degree Corrected Mixed Membership Models
度修正混合成员模型中参数的最优估计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。
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：摘要直接研究网络的潜在社区结构、节点连接倾向与混合成员模型。
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
度修正混合成员模型中参数的最优估计
- 研究问题
- 在节点连接倾向与混合社区归属并存的网络中，社区间连接概率矩阵和节点度参数可以达到怎样的最优估计速率？
- 方法与思路
- 作者采用度修正混合成员模型描述网络，建立参数估计的新下界，并考察已有估计方法的简单扩展能否匹配这些下界。
- 材料陈述的贡献
- 摘要称已有估计量的简单扩展可达到连接概率矩阵与度参数的最优速率，并以模拟为理论结果提供进一步支持。
- 阅读关注点
- 应核对参数可识别性、网络稀疏度与社区结构条件、上下界采用的损失函数，以及扩展估计量的具体实现方式。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明最优速率公式及其参数空间。
原文摘要
With the rise of big data, networks have pervaded many aspects of our daily lives, with applications ranging from the social to natural sciences. Understanding the latent structure of the network is thus an important question. In this paper, we model the network using a Degree-Corrected Mixed Membership (DCMM) model, in which every node $i$ has an affinity parameter $θ_i$, measuring the degree of connectivity, and an intrinsic membership probability vector $π_i = (π_1, \cdots π_K)$, measuring its belonging to one of $K$ communities, and a probability matrix $P$ that describes the average connectivity between two communities. Our central question is to determine the optimal estimation rates for the probability matrix and degree parameters $P$ and $Θ$ of the DCMM, an often overlooked question in the literature. By providing new lower bounds, we show that simple extensions of existing estimators in the literature indeed achieve the optimal rate. Simulations lend further support to our theoretical results.