A General Latent Embedding Approach for Modeling Non-uniform High-dimensional Sparse Hypergraphs with Multiplicity
非均匀高维稀疏多重超图的通用潜在嵌入建模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：摘要以超图描述实体间多方互动，直接属于网络结构建模。
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
非均匀高维稀疏多重超图的通用潜在嵌入建模
- 研究问题
- 如何为超边阶数不同、相同超边可重复出现的高维稀疏超图建立模型，同时刻画节点度异质性并识别潜在嵌入和相关参数？
- 方法与思路
- 作者结合潜在嵌入、节点度异质性参数及阶数调整参数构造超图模型，以投影梯度上升估计，并研究可识别性和渐近性质。
- 材料陈述的贡献
- 摘要称，方法允许非均匀超边与重复观测，给出嵌入及相关参数的识别条件、估计收敛速率和渐近分布，并应用于共引超图。
- 阅读关注点
- 应核对重复超边的概率建模、不同阶数的调整方式，以及嵌入的识别约束、稀疏性范围和投影梯度算法的收敛保证。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体模型形式、识别条件及算法保证未说明，不能从潜在嵌入模型直接推断因果互动或干扰效应。
原文摘要
Recent research has shown growing interest in modeling hypergraphs, which capture polyadic interactions among entities beyond traditional dyadic relations. However, most existing methodologies for hypergraphs face significant limitations, including their heavy reliance on uniformity restrictions for hyperlink orders and their inability to account for repeated observations of identical hyperlinks. In this work, we introduce a novel and general latent embedding approach that addresses these challenges through the integration of latent embeddings, vertex degree heterogeneity parameters, and an order-adjusting parameter. Theoretically, we investigate the identifiability conditions for the latent embeddings and associated parameters, and we establish the convergence rates of their estimators along with asymptotic distributions. Computationally, we employ a projected gradient ascent algorithm for parameter estimation. Comprehensive simulation studies demonstrate the effectiveness of the algorithm and validate the theoretical findings. Moreover, an application to a co-citation hypergraph illustrates the advantages of the proposed method.