Dimension reduction for covariates in network data
网络数据中协变量的降维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：摘要明确研究网络连接、图划分和社区检测，直接对应网络方法方向。
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…
网络数据中协变量的降维
- 研究问题
- 如何利用协变量解释网络连接强度，在不指定连接模型的情况下提取低维表示，并用于聚类和社区识别？
- 方法与思路
- 作者提出网络监督降维，以低维空间中距离越近、连接越强为依据设计损失函数，估计协变量的线性投影。
- 材料陈述的贡献
- 摘要称，估计收敛率取决于类似图着色划分的网络效应因子；方法与主成分及线性判别分析的联系可用于社区检测。
- 阅读关注点
- 应核对连接强度与距离关系的适用性、网络效应因子的精确定义、投影识别条件，以及聚类和社区检测的实施方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体收敛率与网络条件；不指定连接模型仍可能需要其他假设，也未研究因果干扰。
原文摘要
Summary A problem of major interest in network data analysis is to explain the strength of connections using context information. To achieve this, we introduce a novel approach, called network-supervised dimension reduction, in which covariates are projected onto low-dimensional spaces to reveal the linkage pattern without assuming a model. We propose a new loss function for estimating the parameters in the resulting linear projection, based on the notion that closer proximity in the low-dimension projection corresponds to stronger connections. Interestingly, the convergence rate of our estimator is found to depend on a network effect factor, which is the smallest number that can partition a graph in a manner similar to the graph colouring problem. Our method has interesting connections to principal component analysis and linear discriminant analysis, which we exploit for clustering and community detection. The proposed approach is further illustrated by numerical experiments and analysis of a pulsar candidates dataset from astronomy.