A General Pairwise Comparison Model for Extremely Sparse Networks
极稀疏网络的一般成对比较模型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。
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：摘要直接研究成对比较网络、图拓扑和网络稀疏程度对估计一致性的影响。
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
极稀疏网络的一般成对比较模型
- 研究问题
- 在成对比较观测极为稀疏的大型网络中，潜在得分向量的最大似然估计何时仍能对所有主体保持一致？
- 方法与思路
- 作者建立参数化较灵活的成对互动模型，利用新的链式论证技术，将图拓扑与潜在得分估计的一致性联系起来。
- 材料陈述的贡献
- 摘要称在接近最低要求的网络稀疏条件下证明最大似然估计的一致收敛，且该条件在稀疏度的主导渐近阶上是尖锐的。
- 阅读关注点
- 应核对网络生成与连通要求、得分识别约束、参数化范围，以及所谓近最低稀疏条件和一致收敛采用的具体定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；摘要未给具体稀疏阈值，不能推断任意极稀疏网络都可一致估计。
原文摘要
Statistical estimation using pairwise comparison data is an effective approach to analyzing large-scale sparse networks. In this article, we propose a general framework to model the mutual interactions in a network, which enjoys ample flexibility in terms of model parameterization. Under this setup, we show that the maximum likelihood estimator for the latent score vector of the subjects is uniformly consistent under a near-minimal condition on network sparsity. This condition is sharp in terms of the leading order asymptotics describing the sparsity. Our analysis uses a novel chaining technique and illustrates an important connection between graph topology and model consistency. Our results guarantee that the maximum likelihood estimator is justified for estimation in large-scale pairwise comparison networks where data are asymptotically deficient. Simulation studies are provided in support of our theoretical findings. Supplementary materials for this article are available online.