Multi-relational Network Autoregression Model with Latent Group Structures
具有潜在群组结构的多关系网络自回归模型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：摘要直接建模多关系网络效应，并采用张量时间序列自回归结构。
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…
具有潜在群组结构的多关系网络自回归模型
- 研究问题
- 面对实体间多种关系网络与高维张量时间序列，如何同时刻画各网络的动态影响、实体异质性，并估计未知群组结构？
- 方法与思路
- 作者提出群组张量网络自回归模型，为每种网络设置独立分组结构，以迭代算法联合估计参数和成员归属，并用信息准则选组数。
- 材料陈述的贡献
- 摘要称，组数正确指定或可能过度指定时，群组参数与成员归属可一致估计；信息准则可一致选择组数，并提供 Yelp 数据应用。
- 阅读关注点
- 应核对多网络效应的区分条件、群组可分性、过度指定范围、时间与横截面渐近设定，以及迭代算法的初始化和收敛性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列出一致性条件，网络自回归参数也不能未经识别论证解释为因果效应。
原文摘要
Multi-relational networks among entities are frequently observed in the era of big data. Quantifying the effects of multiple networks have attracted significant research interest recently. In this work, we model multiple network effects through an autoregressive framework for tensor-valued time series. To characterize the potential heterogeneity of the networks and handle the high dimensionality of the time series data simultaneously, we assume a separate group structure for entities in each network and estimate all group memberships in a data-driven fashion. Specifically, we propose a group tensor network autoregression (GTNAR) model, which assumes that within each network, entities in the same group share the same set of model parameters, and the parameters differ across networks. An iterative algorithm is developed to estimate the model parameters and the latent group memberships simultaneously. Theoretically, we show that the group-wise parameters and group memberships can be consistently estimated when the group numbers are correctly- or possibly over-specified. An information criterion for group number estimation of each network is also provided to consistently select the group numbers. Lastly, we implement the method on a Yelp dataset to illustrate the usefulness of the method.