Asymptotic in a class of network models with an increasing sub-Gamma degree sequence
次伽马噪声度序列下网络模型的渐近性质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：摘要直接研究二元网络、带噪度序列及网络模型参数估计。
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…
次伽马噪声度序列下网络模型的渐近性质
- 研究问题
- 研究二元网络的度序列受到次伽马噪声扰动后，在模型参数数量随网络规模增加时，参数估计能否保持一致性与渐近正态性。
- 方法与思路
- 作者在一般链接函数的网络模型中发布带噪度序列，采用包含离散拉普拉斯机制的噪声机制，并推导参数估计的渐近性质。
- 材料陈述的贡献
- 摘要称，论文建立参数维数增长情形下的一致性与渐近正态性结果，并提供模拟和真实数据示例来展示这些理论结果。
- 阅读关注点
- 应核对噪声机制的差分隐私保证、网络与参数增长条件、链接函数限制，以及噪声大小怎样影响估计误差和正态近似。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明隐私预算、网络稀疏程度及渐近结论所需的具体增长条件。
原文摘要
For the differential privacy under the sub-Gamma noise, we derive the asymptotic properties of a class of network models with binary values with a general link function. In this paper, we release the degree sequences of the binary networks under a general noisy mechanism with the discrete Laplace mechanism as a special case. We establish the asymptotic result including both consistency and asymptotically normality of the parameter estimator when the number of parameters goes to infinity in a class of network models. Simulations and a real data example are provided to illustrate asymptotic results.