Consistent nonparametric estimation for heavy-tailed sparse graphs
重尾稀疏图的一致非参数估计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。
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：摘要直接研究稀疏网络、graphon 与节点度聚类，属于网络建模与估计方向。
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…
重尾稀疏图的一致非参数估计
- 研究问题
- 如何在稀疏网络中放松有界 graphon 和单位区间潜在空间假设，从而估计具有长尾度分布的网络生成结构？
- 方法与思路
- 作者研究一般潜在空间上的可积 graphon，分别分析最小二乘、基于割范数的估计，以及利用节点度进行聚类的算法。
- 材料陈述的贡献
- 摘要称，最小二乘适用于平方可积 graphon，割范数方法适用于可积 graphon；度分布无原子时，度聚类方法有效。
- 阅读关注点
- 核对稀疏程度与样本规模的关系、三类算法各自的误差度量，以及块模型近似误差和无原子条件的具体作用。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体稀疏条件、收敛速率与计算复杂度未说明，各算法适用条件不同。
原文摘要
We study graphons as a nonparametric generalization of stochastic block models, and show how to obtain compactly represented estimators for sparse networks in this framework. In contrast to previous work, we relax the usual boundedness assumption for the generating graphon and instead assume only integrability, so that we can handle networks that have long tails in their degree distributions. We also relax the usual assumption that the graphon is defined on the unit interval, to allow latent position graphs based on more general spaces. We analyze three algorithms. The first is a least squares algorithm, which gives a consistent estimator for all square-integrable graphons, with errors expressed in terms of the best possible stochastic block model approximation. Next, we analyze an algorithm based on the cut norm, which works for all integrable graphons. Finally, we show that clustering based on degrees works whenever the underlying degree distribution is atomless.