Bayesian Spillover Graphs for Dynamic Networks
动态网络的贝叶斯溢出图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：摘要以贝叶斯时间序列和预测误差方差分解学习动态溢出，并明确讨论系统性风险。
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…
关注这篇论文的作者
动态网络的贝叶斯溢出图
- 研究问题
- 如何从动态系统中学习不同预测期限的溢出关系、识别关键节点，并量化这些关系及系统性风险的不确定性？
- 方法与思路
- 作者将预测误差方差分解与贝叶斯时间序列模型结合，构造贝叶斯溢出图，并通过预测期限参数考察短期与均衡网络行为。
- 材料陈述的贡献
- 摘要称该方法在源节点和汇节点识别实验中优于所选基准，真实系统应用还展示了间接溢出探索及系统性风险量化。
- 阅读关注点
- 应核对方差分解的识别方式、期限与均衡解释的关系、图边及关键节点的定义，以及后验不确定性如何传播至风险指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明具体应用与比较数值，方差分解溢出也不能直接解释为因果影响。
原文摘要
We present Bayesian Spillover Graphs (BSG), a novel method for learning temporal relationships, identifying critical nodes, and quantifying uncertainty for multi-horizon spillover effects in a dynamic system. BSG leverages both an interpretable framework via forecast error variance decompositions (FEVD) and comprehensive uncertainty quantification via Bayesian time series models to contextualize temporal relationships in terms of systemic risk and prediction variability. Forecast horizon hyperparameter $h$ allows for learning both short-term and equilibrium state network behaviors. Experiments for identifying source and sink nodes under various graph and error specifications show significant performance gains against state-of-the-art Bayesian Networks and deep-learning baselines. Applications to real-world systems also showcase BSG as an exploratory analysis tool for uncovering indirect spillovers and quantifying systemic risk.