Universally consistent vertex classification for latent positions graphs
潜在位置图上的普遍相合顶点分类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：摘要直接研究潜在位置图、邻接矩阵和顶点分类，属于网络数据方法；未涉及因果干扰效应。
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…
潜在位置图上的普遍相合顶点分类
- 研究问题
- 仅利用图的邻接矩阵和部分顶点标签，能否估计潜在特征，并使未标记顶点的分类误差渐近达到贝叶斯最优水平？
- 方法与思路
- 作者利用邻接矩阵特征分解估计特征映射，在普适核连接函数下，以复杂度增长的线性分类器最小化凸替代损失。
- 材料陈述的贡献
- 摘要称，在潜在位置独立同分布等所述条件下可相合估计特征映射，并在标签数量增长时获得普遍相合的顶点分类器。
- 阅读关注点
- 应核对连接函数与图生成条件、标签获取机制、特征维度和分类器复杂度的增长要求，以及贝叶斯误差收敛的定义。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；完整增长条件和有限样本误差未说明，普遍相合结论限于所述模型条件。
原文摘要
In this work we show that, using the eigen-decomposition of the adjacency matrix, we can consistently estimate feature maps for latent position graphs with positive definite link function $\kappa$, provided that the latent positions are i.i.d. from some distribution $F$. We then consider the exploitation task of vertex classification where the link function $\kappa$ belongs to the class of universal kernels and class labels are observed for a number of vertices tending to infinity and that the remaining vertices are to be classified. We show that minimization of the empirical $\varphi$-risk for some convex surrogate $\varphi$ of 0–1 loss over a class of linear classifiers with increasing complexities yields a universally consistent classifier, that is, a classification rule with error converging to Bayes optimal for any distribution $F$.