Asymptotic normality of maximum likelihood and its variational approximation for stochastic blockmodels
随机分块模型最大似然估计及其变分近似的渐近正态性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：摘要明确以网络数据和随机分块模型为研究对象，直接对应网络计量方向。
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…
随机分块模型最大似然估计及其变分近似的渐近正态性
- 研究问题
- 在随机分块模型描述的网络数据中，最大似然与变分方法的参数估计是否具有渐近正态性及相应收敛速率？
- 方法与思路
- 作者延续网络数据变分估计的研究，对随机分块模型中的最大似然估计与变分估计建立渐近分布和速率结果。
- 材料陈述的贡献
- 摘要称为两种估计方法建立渐近正态性及其速率，并指出结果也适用于文献中的若干随机分块子模型。
- 阅读关注点
- 应核对网络稀疏程度、分块数与样本规模的关系、参数可识别性，以及变分近似所需条件与计算解的要求。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；具体速率和网络增长条件未说明，不能据此断言两种方法等效或同样高效。
原文摘要
Variational methods for parameter estimation are an active research area, potentially offering computationally tractable heuristics with theoretical performance bounds. We build on recent work that applies such methods to network data, and establish asymptotic normality rates for parameter estimates of stochastic blockmodel data, by either maximum likelihood or variational estimation. The result also applies to various sub-models of the stochastic blockmodel found in the literature.