Variational Regularized Bilevel Estimation for Exponential Random Graph Models
指数随机图模型的变分正则化双层估计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。
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：摘要明确研究战略性网络形成的结构参数，并重点处理三角连接结构的估计。
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
指数随机图模型的变分正则化双层估计
- 研究问题
- 指数随机图模型的归一化常数难以计算且可能退化时，如何稳定估计网络三角结构参数，减少错误符号判断？
- 方法与思路
- 作者提出变分均值场双层估计算法，加入 ℓ₂ 正则化，并分析近似问题解的唯一性、优化收敛及超参数敏感性。
- 材料陈述的贡献
- 摘要称在适当条件下保证均值场问题唯一解，并给出非渐近收敛率；小中型网络模拟报告较高的三角参数符号恢复率。
- 阅读关注点
- 应核对唯一解与收敛所需条件、均值场近似误差，以及初始化、网络规模和正则化选择对符号恢复结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；特定模拟中的符号恢复不能推及所有网络，摘要未说明完整实验设置。
原文摘要
I propose an estimation algorithm for Exponential Random Graph Models (ERGM), a popular statistical network model for estimating the structural parameters of strategic network formation in economics and finance. Existing methods often produce unreliable estimates of parameters for the triangle, a key network structure that captures the tendency of two individuals with friends in common to connect. Such unreliable estimates may lead to untrustworthy policy recommendations for networks with triangles. Through a variational mean-field approach, my algorithm addresses the two well-known difficulties when estimating the ERGM, the intractability of its normalizing constant and model degeneracy. In addition, I introduce $\ell_2$ regularization that ensures a unique solution to the mean-field approximation problem under suitable conditions. I provide a non-asymptotic optimization convergence rate analysis for my proposed algorithm under mild regularity conditions. Through Monte Carlo simulations, I demonstrate that my method achieves a perfect sign recovery rate for triangle parameters for small and mid-sized networks under perturbed initialization, compared to a 50% rate for existing algorithms. I provide the sensitivity analysis of estimates of ERGM parameters to hyperparameter choices, offering practical insights for implementation.