Geometric Representations of Random Hypergraphs
随机超图的几何表示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：这里的图与超图用于表示统计条件独立结构，摘要未涉及经济网络互动或干扰效应。
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…
随机超图的几何表示
- 研究问题
- 如何通过点配置的几何结构构造超图分布，并推断多变量分布的条件独立关系，以涵盖普通图模型无法表达的分解？
- 方法与思路
- 作者用空间过程为点配置设置先验，再由几何关系诱导超图分布；后验计算采用包含图空间局部与全局移动的 MCMC 算法。
- 材料陈述的贡献
- 摘要称，该参数化扩大了可表达的条件独立模型范围，允许处理非可分解图模型而无需高斯假设，并可自然扩展到超图。
- 阅读关注点
- 核对几何配置到图或超图的映射、可表达模型的限制、先验对图特征的控制，以及局部和全局移动的后验探索效率。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明具体分布设定、表达范围或比较结果的适用条件。
原文摘要
We introduce a novel parameterization of distributions on hypergraphs based on the geometry of points in Rd. The idea is to induce distributions on hypergraphs by placing priors on point configurations via spatial processes. This specification is then used to infer conditional independence models, or Markov structure, for multivariate distributions. This approach results in a broader class of conditional independence models beyond standard graphical models. Factorizations that cannot be retrieved via a graph are possible. Inference of nondecomposable graphical models is possible without requiring decomposability, or the need of Gaussian assumptions. This approach leads to new Metropolis-Hastings Markov chain Monte Carlo algorithms with both local and global moves in graph space, generally offers greater control on the distribution of graph features than currently possible, and naturally extends to hypergraphs. We provide a comparative performance evaluation against state-of-the-art approaches, and illustrate the utility of this approach on simulated and real data.