A Separable Model for Dynamic Networks
动态网络的可分离模型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。
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：摘要直接研究社会网络关系的形成、持续及纵向演化，符合网络方向。
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
动态网络的可分离模型
- 研究问题
- 如何为随时间演化的社会网络建立生成模型，并分别描述关系持续时间分布与关系形成的结构动态及其参数？
- 方法与思路
- 作者提出离散时间可分离时序指数族随机图模型，发展基于似然的推断与极大似然算法，并分析学校友谊网络。
- 材料陈述的贡献
- 摘要称，模型继承指数族随机图的灵活性，使关系持续与形成结构可以分开建模，并以纵向友谊网络展示可解释性。
- 阅读关注点
- 应核对可分离结构施加的限制、持续时间与形成机制的参数解释，以及似然计算、算法收敛和应用拟合诊断。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明可分离条件、估计性质或算法稳定性，不能据此推断网络中的因果效应。
原文摘要
Summary Models of dynamic networks—networks that evolve over time—have manifold applications. We develop a discrete time generative model for social network evolution that inherits the richness and flexibility of the class of exponential family random-graph models. The model—a separable temporal exponential family random-graph model—facilitates separable modelling of the tie duration distributions and the structural dynamics of tie formation. We develop likelihood-based inference for the model and provide computational algorithms for maximum likelihood estimation. We illustrate the interpretability of the model in analysing a longitudinal network of friendship ties within a school.