Latent Space Modeling of Hypergraph Data
超图数据的潜在空间建模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：摘要明确研究多人互动形成的超图及其潜在空间表示，直接对应网络建模方向。
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…
超图数据的潜在空间建模
- 研究问题
- 当关系数据中的一次互动涉及超过两个成员时，如何用超图潜在空间模型表达群体关系，并兼顾似然计算与后验推断？
- 方法与思路
- 作者将图的潜在空间方法扩展到超图，借助计算拓扑构造便于计算的似然，采用延迟接受 MCMC 和 Bookstein 坐标处理表示。
- 材料陈述的贡献
- 摘要称，模型具有低成本似然计算，坐标处理潜在表示的可识别性问题；作者分析度分布，并用模拟和两个真实数据集展示应用。
- 阅读关注点
- 应核对拓扑构造如何决定超边概率、坐标约束解决哪些不可识别性，以及延迟接受算法、度分布结论和预测分布的验证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体模型条件、计算复杂度及真实数据内容未说明，不能推断刊本变化。
原文摘要
The increasing prevalence of relational data describing interactions among a target population has motivated a wide literature on statistical network analysis.In many applications, interactions may involve more than two members of the population and this data is more appropriately represented by a hypergraph.In this article, we present a model for hypergraph data that extends the well-established latent space approach for graphs and, by drawing a connection to constructs from computational topology, we develop a model whose likelihood is inexpensive to compute.A delayed acceptance MCMC scheme is proposed to obtain posterior samples and we rely on Bookstein coordinates to remove the identifiability issues associated with the latent representation.We theoretically examine the degree distribution of hypergraphs generated under our framework and, through simulation, we investigate the flexibility of our model and consider estimation of predictive distributions.Finally, we explore the application of our model to two real-world datasets.