Autoregressive Hypergraph
自回归超图模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以动态超图刻画多实体互动和群落结构，直接对应网络数据分析方向。
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…
关注这篇论文的作者
自回归超图模型
- 研究问题
- 如何描述多实体关系随时间的持续与变化，并在动态非均匀超图中进行参数估计、潜在群落恢复及结构突变检测？
- 方法与思路
- 作者用 AR(1) 转移概率描述超边演化，开展极大似然估计和置换诊断；在超图随机块模型中结合新拉普拉斯算子、谱聚类及变点估计。
- 材料陈述的贡献
- 摘要称，模型提供概率性质的闭式表达、估计误差界和渐近正态性，并支持群落恢复与变点检测，应用于小学互动及 Enron 邮件数据。
- 阅读关注点
- 应核对超边依赖与转移约束、节点和时间维度的渐近方式，以及精确群落恢复的条件、置换检验有效性和变点估计目标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列出理论条件或应用数值，其“首个”定位未获独立核验，也未分析因果干扰效应。
原文摘要
Traditional graph representations are insufficient for modelling real-world phenomena involving multi-entity interactions, such as collaborative projects or protein complexes, necessitating the use of hypergraphs. While hypergraphs preserve the intrinsic nature of such complex relationships, existing models often overlook temporal evolution in relational data. To address this, we introduce a first-order autoregressive (i.e. AR(1)) model for dynamic non-uniform hypergraphs. This is the first dynamic hypergraph model with provable theoretical guarantees, explicitly defining the temporal evolution of hyperedge presence through transition probabilities that govern persistence and change dynamics. This framework provides closed-form expressions for key probabilistic properties and facilitates straightforward maximum-likelihood inference with uniform error bounds and asymptotic normality, along with a permutation-based diagnostic test. We also consider an AR(1) hypergraph stochastic block model (HSBM), where a novel Laplacian enables exact and efficient latent community recovery via a spectral clustering algorithm. Furthermore, we develop a likelihood-based change-point estimator for the HSBM to detect structural breaks within the time series. The efficacy and practical value of our methods are comprehensively demonstrated through extensive simulation studies and compelling applications to a primary school interaction data set and the Enron email corpus, revealing insightful community structures and significant temporal changes.