Modeling Network Populations via Graph Distances
通过图距离建模网络总体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：摘要研究通用图总体模型，应用为系统生物学与神经科学，经济社会网络依据不足。
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…
通过图距离建模网络总体
- 研究问题
- 如何为多个网络建立概率模型，用代表性平均图及围绕该图的集中程度描述网络总体，并开展贝叶斯推断？
- 方法与思路
- 作者依据用户指定的图距离定义 Fréchet 平均图，以熵控制分布集中程度，并构建层级贝叶斯模型与后验采样策略。
- 材料陈述的贡献
- 摘要提出一类有标签图分布，覆盖从平均图上的点质量到固定顶点集上均匀分布的情形，并展示模拟和两个科学应用。
- 阅读关注点
- 应核对图距离选择对平均图与后验的影响、平均图是否唯一，以及归一化常数处理、采样算法和模型检验方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断不同图距离下的识别、计算成本或适用性；应用限于所述示例，不能推断刊本变化。
原文摘要
This article introduces a new class of models for multiple networks. The core idea is to parameterize a distribution on labeled graphs in terms of a Fréchet mean graph (which depends on a user-specified choice of metric or graph distance) and a parameter that controls the concentration of this distribution about its mean. Entropy is the natural parameter for such control, varying from a point mass concentrated on the Fréchet mean itself to a uniform distribution over all graphs on a given vertex set. We provide a hierarchical Bayesian approach for exploiting this construction, along with straightforward strategies for sampling from the resultant posterior distribution. We conclude by demonstrating the efficacy of our approach via simulation studies and two multiple-network data analysis examples: one drawn from systems biology and the other from neuroscience. This article has online supplementary materials.