Projective, sparse and learnable latent position network models
具有投影一致性、稀疏性与可学习性的潜在位置网络模型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：摘要明确研究稀疏网络、潜在节点位置及不同网络规模下的模型相容性。
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
具有投影一致性、稀疏性与可学习性的潜在位置网络模型
- 研究问题
- 如何构造允许不同稀疏程度的潜在位置网络模型，使不同网络规模下的模型相容，并支持潜在位置的一致估计？
- 方法与思路
- 作者以泊松点过程生成潜在位置，替代节点位置独立同分布的设定，建立具有投影一致性的模型序列并分析估计条件。
- 材料陈述的贡献
- 摘要称该框架兼容多种稀疏程度，具有跨网络规模的投影一致性，并给出潜在位置可被一致估计的条件及框架比较。
- 阅读关注点
- 应核对投影一致性的精确定义、网络规模与稀疏度如何变化，以及潜在位置识别和一致估计分别依赖哪些条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体稀疏范围、识别条件和估计算法未提供，不能推断刊本变化或统一可学习性。
原文摘要
When modeling network data using a latent position model, it is typical to assume that the nodes’ positions are independently and identically distributed. However, this assumption implies the average node degree grows linearly with the number of nodes, which is inappropriate when the graph is thought to be sparse. We propose an alternative assumption—that the latent positions are generated according to a Poisson point process—and show that it is compatible with various levels of sparsity. Unlike other notions of sparse latent position models in the literature, our framework also defines a projective sequence of probability models, thus ensuring consistency of statistical inference across networks of different sizes. We establish conditions for consistent estimation of the latent positions, and compare our results to existing frameworks for modeling sparse networks.