Optimal Bayesian estimation for random dot product graphs
随机点积图潜在位置的最优贝叶斯估计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：摘要以随机图的邻接矩阵、节点潜在位置和网络聚类为研究对象。
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
随机点积图潜在位置的最优贝叶斯估计
- 研究问题
- 在随机点积图中，如何利用邻接矩阵的伯努利似然估计节点潜在位置，并达到相应的极小极大估计界限？
- 方法与思路
- 作者提出基于完整似然的后验谱嵌入，推导潜在位置估计的极小极大下界，并分析后验收缩、点估计及分块模型聚类。
- 材料陈述的贡献
- 摘要称后验收缩率和点估计渐近风险均达到相应下界，并改进特定随机分块模型的误聚类结果，展示模拟和图数据应用。
- 阅读关注点
- 应核对先验、参数空间和损失的定义，潜在位置的不唯一性如何处理，以及聚类结论所需的分块概率矩阵条件。
- 阅读边界
- 仅据所给 Crossref 摘要，最优性的具体条件未列出；聚类结论涉及半正定分块概率矩阵，不能推广至所有网络或版本。
原文摘要
Summary We propose and prove the optimality of a Bayesian approach for estimating the latent positions in random dot product graphs, which we call posterior spectral embedding. Unlike classical spectral-based adjacency, or Laplacian spectral embedding, posterior spectral embedding is a fully likelihood-based graph estimation method that takes advantage of the Bernoulli likelihood information of the observed adjacency matrix. We develop a minimax lower bound for estimating the latent positions, and show that posterior spectral embedding achieves this lower bound in the following two senses: it both results in a minimax-optimal posterior contraction rate and yields a point estimator achieving the minimax risk asymptotically. The convergence results are subsequently applied to clustering in stochastic block models with positive semidefinite block probability matrices, strengthening an existing result concerning the number of misclustered vertices. We also study a spectral-based Gaussian spectral embedding as a natural Bayesian analogue of adjacency spectral embedding, but the resulting posterior contraction rate is suboptimal by an extra logarithmic factor. The practical performance of the proposed methodology is illustrated through extensive synthetic examples and the analysis of Wikipedia graph data.