Empirical-Bayes Elastic-Net Computation for Exponential Random Graph Models
指数随机图模型的经验贝叶斯弹性网计算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：摘要直接研究网络连边依赖及指数随机图模型中的结构与协变量效应。
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…
指数随机图模型的经验贝叶斯弹性网计算
- 研究问题
- 当网络连边存在依赖、似然难以计算且候选网络统计量高度相关时，如何对包含大量相关效应的指数随机图模型进行正则化推断？
- 方法与思路
- 作者提出 BERGM Elastic Net，将 lasso 收缩与 ridge 稳定化结合，以潜变量支持近似交换采样，并用经验贝叶斯更新调整正则化程度。
- 材料陈述的贡献
- 摘要称，该方法面向过度设定的网络模型，建立所用先验与弹性网惩罚似然的联系，并澄清阈值化报告及系数分组的解释。
- 阅读关注点
- 应核对经验贝叶斯更新与近似交换采样的实现、近似误差的处理，以及阈值化报告和相关系数分组各自对应的统计含义。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已经同行评审或期刊接收；摘要未说明计算误差、选择性质或实证表现。
原文摘要
Exponential random graph models (ERGMs) describe dependence among network ties, but inference becomes difficult when the likelihood is intractable and candidate network statistics are strongly correlated. We introduce BERGM Elastic Net, an adaptive empirical-Bayes approach that combines lasso shrinkage with ridge stabilization in a Bayesian ERGM. A latent-variable formulation supports approximate exchange sampling, while empirical-Bayes updates adapt the amount of regularization to the observed network. We connect the proposed prior to elastic-net penalized likelihood and clarify the interpretation of thresholded reporting and coefficient grouping. The method is developed for over-specified network models containing many related structural and covariate effects.