Detecting Latent Communities in Network Formation Models
网络形成模型中的潜在社群识别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：摘要直接建模无向网络形成、边效应与潜在社群，并研究网络连接密度下的恢复，明确属于网络计量。
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
网络形成模型中的潜在社群识别
- 研究问题
- 在存在可观测特征同类匹配与边固定效应的无向网络中，如何识别潜在社群，以及网络需要多高的连接密度？
- 方法与思路
- 作者构建 logistic 网络形成模型，令特征系数具有潜在社群结构、边效应低秩，并结合正则化、回归与谱聚类。
- 材料陈述的贡献
- 摘要称多步估计程序在期望度达到 log n 阶或更高时可精确恢复社群，并用模拟及真实数据展示有限样本表现。
- 阅读关注点
- 应核对精确恢复还需哪些社群分离和低秩条件、样本分割的作用，以及多步估计误差如何传递到聚类与推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出完整恢复条件，期望度要求不能单独视为充分条件。
原文摘要
This paper proposes a logistic undirected network formation model which allows for assortative matching on observed individual characteristics and the presence of edge-wise fixed effects. We model the coefficients of observed characteristics to have a latent community structure and the edge-wise fixed effects to be of low rank. We propose a multi-step estimation procedure involving nuclear norm regularization, sample splitting, iterative logistic regression and spectral clustering to detect the latent communities. We show that the latent communities can be exactly recovered when the expected degree of the network is of order log n or higher, where n is the number of nodes in the network. The finite sample performance of the new estimation and inference methods is illustrated through both simulated and real datasets.