Popularity Regression-Based Latent Space Model for Large-Scale Sparse Network Analysis
基于流行度回归的潜空间模型：大规模稀疏网络分析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：摘要主题为网络数据的潜空间模型、度异质性与链接预测，直接对应网络与干扰这一领域细分，其余细分方向在摘要中无文本依据。
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…
基于流行度回归的潜空间模型：大规模稀疏网络分析
- 研究问题
- 摘要称，研究关注网络度异质性常与节点特征相关这一现象，针对带节点特征的流行度回归潜空间模型，考察其参数估计与统计推断问题，尤其是稀疏网络下的估计与推断。
- 方法与思路
- 作者提出四类估计量：前两类仅利用网络的一阶结构（如节点度），后两类利用高阶网络结构（互惠性与传递性）；并称基于多种非标准U统计量建立渐近理论，还讨论了向高阶矩估计量的推广。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为带节点特征的流行度回归潜空间模型构造可解析处理的目标函数以应对潜空间导致的复杂依赖结构，提出四个估计量并建立渐近理论，发现不同估计量可能有不同收敛速率，并给出数值实验与作者引用网络链接预测的实证分析。
- 阅读关注点
- 应核对潜空间模型的具体识别条件与假设、四个估计量各自的构造与目标函数形式、非标准U统计量渐近理论所需的正则条件、不同收敛速率的具体阶数，以及稀疏网络设定下渐近结果的适用范围与实证数据来源。
- 阅读边界
- 仅凭摘要无法判断识别假设是否充分、渐近理论的正则条件与证明细节、收敛速率的具体形式、模拟与实证的实际表现，也无法确认稿件版本与同行评审状态；摘要未说明估计量的有限样本性质与相对优劣。
原文摘要
Degree heterogeneity is one of the most important properties of network data. It is widely observed that degree heterogeneity is often related to the nodal features. In this study, we investigate the estimation and statistical inference for a popularity regression-based latent space model with nodal features. Given the complex dependence structure induced by the latent space model, we aim to derive analytically tractable objective functions that effectively account for this structure for sparse networks. Specifically, we propose a total of four estimators. The first two estimators are developed by utilizing only the first-order structure of the network (e.g., the nodal degree), while the last two estimators are developed by leveraging the higher-order network structures (i.e., reciprocity and transitivity). Rigorous asymptotic theory is established based on various non-standard U-statistics. We find that different estimators might have different convergence rates. The extension to higher-order moments-based estimators is also discussed. Extensive numerical experiments and a real data analysis of link prediction for an author citation network are conducted for illustration purposes.