Identifying the latent space geometry of network models through analysis of curvature
通过曲率分析识别网络模型的潜在空间几何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：摘要直接以观测网络连边识别节点潜在空间，属于网络模型与网络结构估计。
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…
通过曲率分析识别网络模型的潜在空间几何
- 研究问题
- 当网络连边概率随节点潜在距离变化时，如何从观测网络识别潜在流形的类型、维度与曲率，并区分候选几何结构？
- 方法与思路
- 作者利用团之间的连边构造带噪距离矩阵，再检验这些距离能否等距嵌入各候选几何，并应用于经济学和神经科学数据。
- 材料陈述的贡献
- 摘要称可一致估计单连通、完备且常曲率黎曼流形的类型、维度和曲率，并提出用于判断候选几何可行性的假设检验。
- 阅读关注点
- 应核对连边与距离的模型关系、团的选取和噪声处理、几何可识别条件，以及一致性与检验所需的网络增长条件。
- 阅读边界
- 仅依据所给 Crossref 摘要，无法判断稀疏网络、非常曲率空间或模型误设下的表现；应用结果和具体估计误差未提供。
原文摘要
Abstract A common approach to modelling networks assigns each node to a position on a low-dimensional manifold where distance is inversely proportional to connection likelihood. More positive manifold curvature encourages more and tighter communities; negative curvature induces repulsion. We consistently estimate manifold type, dimension, and curvature from simply connected, complete Riemannian manifolds of constant curvature. We represent the graph as a noisy distance matrix based on the ties between cliques, then develop hypothesis tests to determine whether the observed distances could plausibly be embedded isometrically in each of the candidate geometries. We apply our approach to datasets from economics and neuroscience.