Adjacency Spectral Embeddings of Correlation Networks
相关网络的邻接谱嵌入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：摘要核心是依赖边网络模型、节点潜在表示与谱嵌入，直接对应网络方向；没有经济干扰效应或宏观时间序列应用的证据。
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
相关网络的邻接谱嵌入
- 研究问题
- 由时间序列两两相关构造的网络具有依赖边，为何仍可使用通常源于独立边模型的谱嵌入，何时能恢复真实节点潜在表示？
- 方法与思路
- 作者将少量 Fourier 或其他基函数表示的时间序列映射为潜在空间网络，使节点潜变量编码基系数，再分析观测噪声下的谱恢复。
- 材料陈述的贡献
- 摘要称相关网络可被表述为带依赖边噪声的潜在空间网络，且在适当条件下谱嵌入仍能恢复节点表示，为常用分析方式提供理论依据。
- 阅读关注点
- 应核对相关系数与基系数潜在位置的具体对应、边噪声依赖如何处理，以及谱恢复对基维度、序列长度和噪声的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未列出恢复条件和误差率，不能把相关网络的潜在位置解释为因果联系。
原文摘要
In many applications, weighted networks are constructed based on time series data: each time series is associated to a vertex and edge weights are given by pairwise correlations. The result is a network whose edge dependency structure violates the assumptions of most common network models. Nonetheless, it is common to analyze these "correlation networks" using embedding methods derived from edge-independent network models, based on a belief that the edges are approximately independent. In this work, we put this modeling choice on firm theoretical ground. We show that when the time series are expressible in terms of a small number of Fourier basis elements (or in some other suitably-chosen basis), correlation networks correspond to latent space networks with dependent edge noise in which the vertex-level latent variables encode the basis coefficients. Further, we show that when time series are observed subject to noise, spectral embedding of the resulting noisy correlation network still recovers these true vertex-level latent representations under suitable assumptions. This characterization of embeddings as learning Fourier coefficients appears to be folklore in the signal processing community in the context of principal component analysis, but is, to the best of our knowledge, new to the statistical network analysis literature.