Estimation and Prediction for Stochastic Blockstructures
随机块结构的估计与预测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：摘要明确研究有向网络的潜在类别、节点关系分布，并提供社会网络应用。
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
随机块结构的估计与预测
- 研究问题
- 对于有向及赋值有向网络，如何推断不可观测的节点类别与关系分布，并处理类别标签任意带来的识别问题？
- 方法与思路
- 作者设定节点关系分布仅依赖双方潜在类别，以 Gibbs 抽样进行贝叶斯估计，并对标签不变函数作后验推断。
- 材料陈述的贡献
- 摘要称，方法通过不变函数处理标签识别问题，也考虑用部分节点类别先验识别标签，并以社会网络案例说明。
- 阅读关注点
- 应核对不变函数保留了哪些可解释信息、类别先验如何识别标签，以及 Gibbs 抽样和网络预测的具体实施方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；标签置换问题的处理不代表所有识别问题均获解决，摘要也未给出预测表现。
原文摘要
A statistical approach to a posteriori blockmodeling for digraphs and valued digraphs is proposed. The probability model assumes that the vertices of the digraph are partitioned into several unobserved (latent) classes and that the probability distribution of the relation between two vertices depends only on the classes to which they belong. A Bayesian estimator based on Gibbs sampling is proposed. The basic model is not identified, because class labels are arbitrary. The resulting identifiability problems are solved by restricting inference to the posterior distributions of invariant functions of the parameters and the vertex class membership. In addition, models are considered where class labels are identified by prior distributions for the class membership of some of the vertices. The model is illustrated by an example from the social networks literature (Kapferer's tailor shop).