Variational Inference for Stochastic Block Models From Sampled Data
抽样网络数据下随机块模型的变分推断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：摘要直接研究网络抽样、未观测节点对和随机块模型，因而归入网络方向；未涉及干扰效应识别。
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…
抽样网络数据下随机块模型的变分推断
- 研究问题
- 网络抽样导致部分节点对未被观测时，如何在不同缺失机制下估计随机块模型，并选择块数量与抽样设计？
- 方法与思路
- 作者讨论随机块模型中的随机缺失与非随机缺失条件，提出相应的变分 EM 算法，并以积分分类似然构造模型选择准则。
- 材料陈述的贡献
- 摘要称，文章提供适应多种抽样设计的推断算法及 R 包，并通过模拟和两个实际网络展示抽样设计对解释的影响。
- 阅读关注点
- 应核对缺失机制对应的抽样条件、网络模型与抽样模型的识别、变分近似误差，以及联合选择块数和抽样设计的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体识别条件、算法适用范围和模拟准确度均未说明，不能判断普遍表现。
原文摘要
This article deals with nonobserved dyads during the sampling of a network and consecutive issues in the inference of the stochastic block model (SBM). We review sampling designs and recover missing at random (MAR) and not missing at random (NMAR) conditions for the SBM. We introduce variants of the variational EM algorithm for inferring the SBM under various sampling designs (MAR and NMAR) all available as an R package. Model selection criteria based on integrated classification likelihood are derived for selecting both the number of blocks and the sampling design. We investigate the accuracy and the range of applicability of these algorithms with simulations. We explore two real-world networks from ethnology (seed circulation network) and biology (protein–protein interaction network), where the interpretations considerably depend on the sampling designs considered. Supplementary materials for this article are available online.