Estimating Network Models using Neural Networks
利用神经网络估计网络模型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：摘要明确研究网络形成的指数随机图模型及网络统计量驱动的参数估计，因此直接对应网络方向的计量方法。
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
利用神经网络估计网络模型
- 研究问题
- 指数随机图模型的归一化常数难以计算，传统估计又需在每次优化时顺序模拟，如何减少重复模拟的估计成本？
- 方法与思路
- 作者用一次生成的大规模参数与模拟配对样本训练神经网络，学习参数到平均网络统计量的映射，再反演该映射以估计参数。
- 材料陈述的贡献
- 摘要称训练后的估计过程快速且可并行，并可加入额外网络统计量以缓解模型设定错误；简单示例展示了实际表现。
- 阅读关注点
- 核对训练参数范围、映射反演的唯一性和数值稳定性，以及额外统计量的处理方式、训练成本和参数不确定性评估。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要仅给出简单示例，未说明一致性、推断保证及设定错误下的适用范围。
原文摘要
Exponential random graph models (ERGMs) are very flexible for modeling network formation but pose difficult estimation challenges due to their intractable normalizing constant. Existing methods, such as MCMC-MLE, rely on sequential simulation at every optimization step. We propose a neural network approach that trains on a single, large set of parameter-simulation pairs to learn the mapping from parameters to average network statistics. Once trained, this map can be inverted, yielding a fast and parallelizable estimation method. The procedure also accommodates extra network statistics to mitigate model misspecification. Some simple illustrative examples show that the method performs well in practice.