Generalized Poisson Dynamic Network Models
广义泊松动态网络模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究动态网络、边权离散性与网络连通性，因而归入网络与干扰方向。
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…
广义泊松动态网络模型
- 研究问题
- 当计数加权动态网络的边权同时存在欠离散与过度离散时，如何刻画其动态变化，并评估忽略离散差异的影响？
- 方法与思路
- 作者以广义泊松分布构建潜在因子、自回归与潜在位置三类动态网络模型，并提出贝叶斯推断及后验抽样算法。
- 材料陈述的贡献
- 摘要称模型刻画了离散参数对网络连通性的影响，并通过数值示例及共享单车、媒体网络应用展示拟合和预测表现。
- 阅读关注点
- 核对离散参数与动态结构的识别条件、后验抽样实现，以及误设偏差和样本外表现所采用的比较模型与评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未说明具体识别条件、理论性质的适用范围及性能差异数值。
原文摘要
Count-weighted temporal networks often exhibit unequal dispersion in the edge weights, which cannot be fully explained by modelling observational heterogeneity through latent factors in the conditional mean. Therefore, we propose new dynamic network model classes exploiting the Generalized Poisson distribution to capture both under- and overdispersion. We consider three different dynamic specifications: latent factor dynamics, autoregressive dynamics, and latent position dynamics, and study some theoretical properties of the random networks, showing the impact of the dispersion parameter on the random network's connectivity. After discussing the parameter identification strategy, we present a Bayesian inference procedure along with a posterior sampling algorithm. A numerical illustration demonstrates the effectiveness of the designed algorithm and provides estimates of the misspecification bias when unequal dispersion is neglected. Our new models are then applied to two relevant dynamic datasets considered in previous studies: a set of bike-sharing dynamic networks and a set of dynamic media networks. Our results highlight the importance of explicitly modeling overdispersion for both an accurate in-sample fit and out-of-sample performance.