Concentration and consistency results for canonical and curved exponential-family models of random graphs
典范与弯曲指数族随机图模型的集中性和一致性结果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：摘要直接研究随机图中的边依赖、邻域结构和网络参数估计，支持归入网络方向，但未涉及因果干扰。
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…
典范与弯曲指数族随机图模型的集中性和一致性结果
- 研究问题
- 在边之间存在依赖的随机图中，邻域和局部依赖等附加结构如何帮助估计，并支持由子图推断整体图的参数？
- 方法与思路
- 作者利用邻域内局部依赖结构，为典范及弯曲指数族随机图的最大似然、M 估计和子图到整体图估计建立非渐近结果。
- 材料陈述的贡献
- 摘要称，获得广泛模型的集中性与一致性结果，适用于有限节点总体；应用包括传递性诱导局部依赖及参数维度随节点数变化。
- 阅读关注点
- 应核对邻域和局部依赖的严格定义、非渐近界与一致性的关系，以及子图到整体图估计和维度增长所需条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未列出依赖强度、邻域规模或维度条件，不能推广到任意依赖随机图。
原文摘要
Statistical inference for exponential-family models of random graphs with dependent edges is challenging. We stress the importance of additional structure and show that additional structure facilitates statistical inference. A simple example of a random graph with additional structure is a random graph with neighborhoods and local dependence within neighborhoods. We develop the first concentration and consistency results for maximum likelihood and $M$-estimators of a wide range of canonical and curved exponential-family models of random graphs with local dependence. All results are nonasymptotic and applicable to random graphs with finite populations of nodes, although asymptotic consistency results can be obtained as well. In addition, we show that additional structure can facilitate subgraph-to-graph estimation, and present concentration results for subgraph-to-graph estimators. As an application, we consider popular curved exponential-family models of random graphs, with local dependence induced by transitivity and parameter vectors whose dimensions depend on the number of nodes.