Structural Modelling of Dynamic Networks and Identifying Maximum Likelihood
动态网络的结构建模与识别最大似然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：摘要直接建模动态网络的传染效应矩阵，并通过概率非负分解和最大似然进行结构参数估计，支持网络与结构估计分类。
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
动态网络的结构建模与识别最大似然
- 研究问题
- 非线性动态模型中的网络传染效应由非负矩阵描述时，如何利用低秩分解估计其可识别集合，并刻画参数估计的不确定性？
- 方法与思路
- 作者采用概率非负矩阵分解，提出识别最大似然方法估计可容许分解的识别集，并在给定非负秩下估计网络参数矩阵。
- 材料陈述的贡献
- 摘要称建立了分解识别集的一致估计及渐近分布，同时推导给定非负秩时参数矩阵最大似然估计的渐近分布与效率界。
- 阅读关注点
- 应核对分解不唯一性如何定义识别集、识别最大似然的具体目标、非负秩如何给定，以及网络结构限制与效率界的假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明动态模型的完整形式、秩选择及识别条件，不能认定网络分解唯一。
原文摘要
This paper considers nonlinear dynamic models where the main parameter of interest is a nonnegative matrix characterizing the network (contagion) effects. This network matrix is usually constrained either by assuming a limited number of nonzero elements (sparsity), or by considering a reduced rank approach for nonnegative matrix factorization (NMF). We follow the latter approach and develop a new probabilistic NMF method. We introduce a new Identifying Maximum Likelihood (IML) method for consistent estimation of the identified set of admissible NMF's and derive its asymptotic distribution. Moreover, we propose a maximum likelihood estimator of the parameter matrix for a given non-negative rank, derive its asymptotic distribution and the associated efficiency bound.