Spectral Estimation of Large Stochastic Blockmodels with Discrete Nodal Covariates
含离散节点协变量的大型随机区块模型谱估计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：摘要直接研究网络连边、节点协变量、随机区块模型和潜在社群估计。
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…
含离散节点协变量的大型随机区块模型谱估计
- 研究问题
- 在大型网络中，如何区分观测节点协变量与未观测离散异质性对连边的影响，同时估计协变量效应并发现潜在社群？
- 方法与思路
- 作者利用随机区块模型与广义随机点积图的对应关系，构造连边概率中协变量效应的谱估计量，并研究其渐近性质。
- 材料陈述的贡献
- 摘要称建立估计量的渐近正态性，并报告相对标准变分 EM 的计算速度优势；Facebook 应用发现同质性和潜在社群。
- 阅读关注点
- 应核对区块模型对应关系的条件、协变量效应的参数化与识别，以及网络稀疏度、谱估计步骤和运行时间比较设定。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；网络规模与稀疏度条件未说明，观测同质性不能据此作协变量的因果解释。
原文摘要
In many applications of network analysis, it is important to distinguish between observed and unobserved factors affecting network structure. We show that a network model with discrete unobserved link heterogeneity and binary (or discrete) covariates corresponds to a stochastic blockmodel (SBM). We develop a spectral estimator for the effect of covariates on link probabilities, exploiting the correspondence of SBMs and generalized random dot product graphs (GRDPG). We show that computing our estimator is much faster than standard variational expectation–maximization algorithms and scales well for large networks. Monte Carlo experiments suggest that the estimator performs well under different data generating processes. Our application to Facebook data shows evidence of homophily in gender, role and campus-residence, while allowing us to discover unobserved communities. Finally, we establish asymptotic normality of our estimators.