Latent space models for networks with nodal multiplicative effects
带节点乘性效应的网络潜在空间模型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：摘要明确研究网络节点、连接概率、潜在空间和拓扑性质，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…
关注这篇论文的作者
带节点乘性效应的网络潜在空间模型
- 研究问题
- 研究经典潜在空间网络模型如何表达额外的节点结构异质性，同时保留连接概率的几何解释及既有全局参考空间。
- 方法与思路
- 作者引入由局部度量变形启发的节点乘性效应，近似共形度量变形，并从层级贝叶斯框架构造带正则化的优化推断方法。
- 材料陈述的贡献
- 摘要称，该扩展增加网络生成的灵活性；模拟和八个真实网络应用显示，模型更准确地再现若干观测到的拓扑性质。
- 阅读关注点
- 应核对乘性效应与潜在位置的可识别性、正则化和优化稳定性，以及共形近似的范围与真实网络拓扑比较的具体指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收；摘要未报告比较数值，也未说明识别条件或全部网络应用范围。
原文摘要
Latent space models represent network nodes as points in a geometric space, with connection probabilities determined by distances between latent positions under a fixed metric, typically Euclidean, spherical, or hyperbolic. We generalize the classical formulation by introducing nodal multiplicative effects motivated by a local deformation of the latent metric. This modification approximates a conformal deformation of the metric tensor while preserving the logistic predictor and the geometric interpretability of the model, thereby capturing additional structural heterogeneity without altering the global reference geometry. We study the generative behavior of the proposed model through simulation experiments and develop an optimization-based inference scheme derived from a hierarchical Bayesian formulation with parameter regularization. Applications to eight real networks show that the proposed approach increases the generative flexibility of classical latent space models and more accurately reproduces several topological properties observed in real networks.