Dynamic network models and graphon estimation
动态网络模型与图函数估计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：摘要明确研究动态随机网络、连接概率张量及图函数估计，直接对应网络建模与网络统计推断。
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
动态网络模型与图函数估计
- 研究问题
- 当网络连接概率由动态随机块模型或动态图函数生成时，如何估计连接概率张量，并适应未知块数或未知光滑度？
- 方法与思路
- 作者将动态网络模型向量化，构造惩罚最小二乘估计量，先分析动态随机块模型，再扩展到动态图函数情形。
- 材料陈述的贡献
- 摘要称估计量满足预言机不等式并达到极小极大风险下界，能够自适应未知块数或光滑度，且所给结果均为非渐近。
- 阅读关注点
- 应核对网络随时间变化的约束、风险度量和模型复杂度惩罚，以及自适应结论、下界和图函数扩展适用的参数范围。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；刊本一致性、动态依赖条件与算法成本未提供，不能推断任意网络上的风险保证。
原文摘要
In the present paper, we consider a dynamic stochastic network model. The objective is estimation of the tensor of connection probabilities $\mathbf{{\Lambda}}$ when it is generated by a Dynamic Stochastic Block Model (DSBM) or a dynamic graphon. In particular, in the context of the DSBM, we derive a penalized least squares estimator $\widehat{\boldsymbol{\Lambda}}$ of $\mathbf{{\Lambda}}$ and show that $\widehat{\boldsymbol{\Lambda}}$ satisfies an oracle inequality and also attains minimax lower bounds for the risk. We extend those results to estimation of $\mathbf{{\Lambda}}$ when it is generated by a dynamic graphon function. The estimators constructed in the paper are adaptive to the unknown number of blocks in the context of the DSBM or to the smoothness of the graphon function. The technique relies on the vectorization of the model and leads to much simpler mathematical arguments than the ones used previously in the stationary set up. In addition, all results in the paper are nonasymptotic and allow a variety of extensions.