Approximate Variational Estimation for a Model of Network Formation
网络形成模型的近似变分估计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：摘要直接研究网络形成的指数随机图模型，并针对其似然计算提出近似估计方法。
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
网络形成模型的近似变分估计
- 研究问题
- 指数随机图模型的似然包含难以计算的归一化常数，而蒙特卡洛近似可能收敛缓慢，能否构造具有误差保证的确定性替代方法？
- 方法与思路
- 作者采用变分平均场方法近似归一化常数，借助非线性大偏差结果建立任意网络规模下的误差上下界，并进行模拟评估。
- 材料陈述的贡献
- 摘要称，近似误差界可转化为真实似然与平均场似然的距离界；模拟显示，该方法的实际表现优于保守理论界所暗示的水平。
- 阅读关注点
- 应核对适用的指数随机图模型类别、误差界对参数和网络规模的依赖，以及归一化常数近似如何影响最终参数估计。
- 阅读边界
- 仅据摘要，无法判断近似误差何时足够小或优化是否稳定；模拟优于理论界的暗示，不代表已证明优于所有蒙特卡洛方法。
原文摘要
Abstract We develop approximate estimation methods for exponential random graph models (ERGMs), whose likelihood is proportional to an intractable normalizing constant. The usual approach approximates this constant with Monte Carlo simulations; however, convergence may be exponentially slow. We propose a deterministic method, based on a variational mean-field approximation of the ERGM's normalizing constant. We compute lower and upper bounds for the approximation error for any network size, adapting nonlinear large deviation results. This translates into bounds on the distance between true likelihood and mean-field likelihood. Monte Carlo simulations suggest that in practice, our deterministic method performs better than our conservative theoretical approximation bounds imply, for a large class of models.