Nonparametric Bayes dynamic modelling of relational data
关系数据的非参数贝叶斯动态建模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：摘要以动态二元关系矩阵及关系结构推断为核心，直接对应网络数据建模。
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
关系数据的非参数贝叶斯动态建模
- 研究问题
- 如何对随时间变化的对称二元关系矩阵进行低维建模，推断关系结构及预测关系，同时允许潜在空间维度由数据确定？
- 方法与思路
- 作者用高斯过程描述潜在坐标的连续时间演化，以 logistic 映射建立关系概率，并通过 Pólya–gamma 增广实现 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称方法可自动推断潜在维度，给出模型灵活性的理论结果，并用模拟及世界金融市场共同变动数据展示应用。
- 阅读关注点
- 应核对潜在空间与关系概率的对应方式、维度自适应机制、时间动态及预测验证，并区分统计关系与可解释的经济联系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出灵活性定理条件或预测结果，金融共同变动应用不足以支持因果或系统性风险解释。
原文摘要
Symmetric binary matrices representing relations are collected in many areas. Our focus is on dynamically evolving binary relational matrices, with interest being on inference on the relationship structure and prediction. We propose a nonparametric Bayesian dynamic model, which reduces dimensionality in characterizing the binary matrix through a lower-dimensional latent space representation, with the latent coordinates evolving in continuous time via Gaussian processes. By using a logistic mapping function from the link probability matrix space to the latent relational space, we obtain a flexible and computationally tractable formulation. Employing Pólya-gamma data augmentation, an efficient Gibbs sampler is developed for posterior computation, with the dimension of the latent space automatically inferred. We provide theoretical results on flexibility of the model, and illustrate its performance via simulation experiments. We also consider an application to co-movements in world financial markets.