Populations of unlabelled networks: graph space geometry and generalized geodesic principal components
无标签网络总体：图空间几何与广义测地主成分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：摘要直接研究无标签网络总体、网络对齐及图空间统计，分类依据是网络分析而非因果干扰。
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…
无标签网络总体：图空间几何与广义测地主成分
- 研究问题
- 面对网络总体的非欧几里得结构，如何统一分析不同类型的无标签网络，并构造适用于图空间的主成分摘要？
- 方法与思路
- 作者把图空间表示为欧几里得空间在有限群作用下的商空间，定义广义测地主成分并提出统一对齐后计算的算法。
- 材料陈述的贡献
- 摘要称，图空间不是流形且曲率无上界；提出的统计量与算法经过三组真实数据比较，并在geomstats中实现。
- 阅读关注点
- 应核对无标签网络的等价关系、距离与对齐目标，广义测地主成分的定义，以及三组数据比较所使用的评价标准。
- 阅读边界
- 仅依据所给Crossref摘要；未说明几何结果的具体条件或比较数值，也未研究网络干扰下的因果效应识别。
原文摘要
Abstract Statistical analysis for populations of networks is widely applicable, but challenging, as networks have strongly non-Euclidean behaviour. Graph space is an exhaustive framework for studying populations of unlabelled networks that are weighted or unweighted, uni- or multilayered, directed or undirected. Viewing graph space as the quotient of a Euclidean space with respect to a finite group action, we show that it is not a manifold, and that its curvature is unbounded from above. Within this geometrical framework we define generalized geodesic principal components, and we introduce the align-all-and-compute algorithms, all of which allow for the computation of statistics on graph space. The statistics and algorithms are compared with existing methods and empirically validated on three real datasets, showcasing the potential utility of the framework. The whole framework is implemented within the geomstats Python package.