Pseudo-likelihood-based M-estimation of random graphs with dependent edges and parameter vectors of increasing dimension
依赖边随机图中参数维数增长的伪似然 M 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：摘要直接研究具有依赖边的随机图和网络模型估计。
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…
依赖边随机图中参数维数增长的伪似然 M 估计
- 研究问题
- 面对边之间存在依赖、似然难以计算且参数维数增长的随机图，如何在单次图观测下兼顾估计的计算可扩展性与统计保证？
- 方法与思路
- 作者研究指数参数化离散无向图模型的伪似然 M 估计，并以重叠子群控制依赖，构造广义 β 模型分析收敛速率。
- 材料陈述的贡献
- 摘要称建立单观测情形的收敛速率，揭示相变和模型近退化的影响，并为广义 β 模型给出稠密图与稀疏图结果。
- 阅读关注点
- 应核对参数维数和图规模的增长关系、重叠子群对依赖的约束，以及相变、近退化和稀疏性如何进入收敛界。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，未列具体速率或计算复杂度；不能据此认为任意依赖网络均可稳定估计或获得相同保证。
原文摘要
An important question in statistical network analysis is how to estimate models of discrete and dependent network data with intractable likelihood functions, without sacrificing computational scalability and statistical guarantees. We demonstrate that scalable estimation of random graph models with dependent edges is possible, by establishing convergence rates of pseudo-likelihood-based M-estimators for discrete undirected graphical models with exponential parameterizations and parameter vectors of increasing dimension in single-observation scenarios. We highlight the impact of two complex phenomena on the convergence rate: phase transitions and model near-degeneracy. The main results have possible applications to discrete and dependent network, spatial, and temporal data. To showcase convergence rates, we introduce a novel class of generalized β-models with dependent edges and parameter vectors of increasing dimension, which leverage additional structure in the form of overlapping subpopulations to control dependence. We establish convergence rates of pseudo-likelihood-based M-estimators for generalized β-models in dense- and sparse-graph settings.