Decorated graphons for temporal network estimation
时变网络估计中的装饰图极限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：摘要核心是时变网络、边过程与潜在社区结构的非参数估计，直接支持网络分类，时间变化本身不足以归入宏观。
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
时变网络估计中的装饰图极限
- 研究问题
- 如何用统一非参数模型表示网络边的时间序列，在允许记忆与周期性的同时估计潜在网络结构及其时间变化？
- 方法与思路
- 作者以装饰图极限为每个节点对指定二元边序列的概率分布，分两阶段估计边的时间过程与网络潜在结构。
- 材料陈述的贡献
- 摘要称在块模型与 Hölder 光滑情形建立收敛率，明确时间长度和边级估计质量的作用，并展示医院接触网络应用。
- 阅读关注点
- 应核对节点可交换性、边过程与潜变量的关系、两阶段误差传递，以及不同光滑设定和观测时间长度下的速率条件。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实。摘要未列正则条件或具体速率，也不能将恢复的潜在结构解释为因果关系。
原文摘要
We propose a unified nonparametric framework for modeling time-evolving networks using decorated graphons (also known as probability-graphons): symmetric functions that assign to each node pair a probability distribution over binary edge time series. This generalizes the static decorated-graphon construction to dynamic graphs while preserving node exchangeability and allowing temporal dynamics such as memory and periodicity. Models in which edges evolve independently given the latent variables, such as autoregressive and Markov edge processes, arise as special cases. We develop a two-stage estimation procedure that separates temporal modeling from network structure. Because the network stage requires only mild regularity conditions on the edge-process estimator, a broad class of temporal edge models can be used in the first stage. We establish nonparametric convergence rates in both block-model and Hölder-smooth regimes, and make explicit how the rate depends on the number of observed time steps and on the quality of the edge-level estimation. We illustrate the method on simulated data and a hospital contact network, recovering latent community structure and time-varying interaction patterns. The framework gives a nonparametric baseline for dynamic network analysis with explicit convergence guarantees.