Group Sparse β -Model for Network
网络的分组稀疏 β 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。
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：摘要直接建模网络节点、稀疏性、核心分组和企业关联关系，领域依据是网络模型而非处理干扰分析。
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
网络的分组稀疏 β 模型
- 研究问题
- 如何在稀疏网络模型中同时表达核心与外围节点的差异，以及核心节点内部的分组异质性，并估计或识别这些组？
- 方法与思路
- 作者将核心节点分组并允许组间参数数量级不同；已知组时结合矩估计与最大似然估计，未知组时用比率方法检测。
- 材料陈述的贡献
- 摘要称建立参数估计的一致性、渐近正态性与有限样本误差界，并提出计算高效的分组方法，以企业关联网络展示用途。
- 阅读关注点
- 核对分组参数数量级、网络生成与稀疏条件，区分已知组的估计保证和未知组的检测结果，并检查误差传播。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；组间可分离条件及检测误差保证未说明，也未涉及网络干扰下的因果效应。
原文摘要
Sparsity, homogeneity, and heterogeneity are three important characteristics of many real-life networks. The recently proposed Sparse β-Model divides nodes into core ones and peripheral ones to accommodate sparsity, but the parameters of core nodes are assumed to be of similar magnitude, which may not be in line with applications. In this article, we propose the Group Sparse β-Model that splits the core nodes into groups and assumes different orders of magnitude of parameters in different groups, accounting for the heterogeneity among core nodes. When the groups are known, we provide consistent and asymptotically normal moment estimators of the parameters that control the global and local density. Based on that, consistency and asymptotic normality of the maximum likelihood estimators of the remaining parameters are derived. We also establish finite-sample error bounds results. When the groups are unknown, a ratio method is proposed to detect groups, which is computationally efficient. Simulations show competitive results and the analysis of a corporate inter-relationships network illustrates the usefulness of the proposed model.