Graphical Assistant Grouped Network Autoregression Model: A Bayesian Nonparametric Recourse
图辅助分组网络自回归模型：贝叶斯非参数方法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：摘要结合网络图上的节点分组与网络自回归时间动态。
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…
图辅助分组网络自回归模型：贝叶斯非参数方法
- 研究问题
- 对于网络上的时间序列，如何同时估计潜在群组数量、节点分组和组别参数，并利用图结构信息辅助统计推断？
- 方法与思路
- 作者在分组网络自回归模型中引入图辅助中国餐馆过程，以贝叶斯非参数方式描述分组，并使用 MCMC 进行后验抽样。
- 材料陈述的贡献
- 摘要称所提模型能够联合估计群组信息与组别参数，提供有效的后验抽样算法，并通过有限样本研究和两个数据集示例。
- 阅读关注点
- 应核对图信息如何进入分组先验、组别动态的定义、群组可辨识性，以及 MCMC 混合、先验敏感性和比较方法。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；具体数据、先验设定和性能结果未说明，摘要也未陈述分组一致性定理。
原文摘要
Vector autoregression model is ubiquitous in classical time series data analysis. With the rapid advance of social network sites, time series data over latent graph is becoming increasingly popular. In this article, we develop a novel Bayesian grouped network autoregression model, which can simultaneously estimate group information (number of groups and group configurations) and group-wise parameters. Specifically, a graphically assisted Chinese restaurant process is incorporated under the framework of the network autoregression model to improve the statistical inference performance. An efficient Markov chain Monte Carlo sampling algorithm is used to sample from the posterior distribution. Extensive studies are conducted to evaluate the finite sample performance of our proposed methodology. Additionally, we analyze two real datasets as illustrations of the effectiveness of our approach.