Distributed estimation and inference for spatial autoregression model with large scale networks
大规模网络空间自回归模型的分布式估计与推断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：摘要直接针对大规模网络上的空间自回归依赖模型及其分布式推断。
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…
大规模网络空间自回归模型的分布式估计与推断
- 研究问题
- 大规模网络使空间自回归模型的集中式计算与通信负担上升时，如何在分布式系统上实现估计和有效推断？
- 方法与思路
- 作者提出分布式网络最小二乘近似，对本地估计加权得到一步估计，再以两步程序减小偏差，并用随机投影降低推断通信成本。
- 材料陈述的贡献
- 摘要称，两类估计量具有一致性与渐近正态性，分布式推断得到理论保证，并通过 Spark 模拟和 Yelp 数据实验展示。
- 阅读关注点
- 核对网络分割与跨节点依赖的处理、加权方式和两步修正，以及随机投影维度、通信成本与渐近有效性的关系。
- 阅读边界
- 仅据所给出版社摘要，不能判断网络结构和工作节点数量的限制；偏差缩减、计算优势及应用结果均无具体数值。
原文摘要
The rapid growth of online network platforms generates large-scale network data and it poses great challenges for statistical analysis using the spatial autoregression (SAR) model. In this work, we develop a novel distributed estimation and statistical inference framework for the SAR model on a distributed system. We first propose a distributed network least squares approximation (DNLSA) method. This enables us to obtain a one-step estimator by taking a weighted average of local estimators on each worker. Afterwards, a refined two-step estimation is designed to further reduce the estimation bias. For statistical inference, we utilize a random projection method to reduce the expensive communication cost. Theoretically, we show the consistency and asymptotic normality of both the one-step and two-step estimators. In addition, we provide theoretical guarantee of the distributed statistical inference procedure. The theoretical findings and computational advantages are validated by several numerical simulations implemented on the Spark system. Lastly, an experiment on the Yelp dataset further illustrates the usefulness of the proposed methodology.