Random Networks, Graphical Models and Exchangeability
随机网络、图模型与可交换性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：摘要直接研究随机网络的条件独立、可交换性与子网络结构，属于网络方法方向。
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…
随机网络、图模型与可交换性
- 研究问题
- 有限可交换随机网络中的条件独立关系如何形成马尔可夫结构，这些结构在抽取子网络时又能否保持一致？
- 方法与思路
- 作者结合可交换性与图模型研究条件独立，利用子图密度刻画模型，并考察按度分布汇总及子网络形成时的一致性。
- 材料陈述的贡献
- 摘要称经验子图密度是理论密度的最大似然估计，并刻画有限可交换图的马尔可夫结构及子网络一致性类别。
- 阅读关注点
- 应核对有限可交换性、解离性和马尔可夫性质的定义，以及子图密度估计和子网络一致性结论各自适用的模型范围。
- 阅读边界
- 仅据所给Crossref摘要，无法判断完整证明、估计量的有限样本表现或实际网络适用性；不推断其他版本变化。
原文摘要
Summary We study conditional independence relationships for random networks and their interplay with exchangeability. We show that, for finitely exchangeable network models, the empirical subgraph densities are maximum likelihood estimates of their theoretical counterparts. We then characterize all possible Markov structures for finitely exchangeable random graphs, thereby identifying a new class of Markov network models corresponding to bidirected Kneser graphs. In particular, we demonstrate that the fundamental property of dissociatedness corresponds to a Markov property for exchangeable networks described by bidirected line graphs. Finally we study those exchangeable models that are also summarized in the sense that the probability of a network depends only on the degree distribution, and we identify a class of models that is dual to the Markov graphs of Frank and Strauss. Particular emphasis is placed on studying consistency properties of network models under the process of forming subnetworks and we show that the only consistent systems of Markov properties correspond to the empty graph, the bidirected line graph of the complete graph and the complete graph.