Sequential Estimation of Temporally Evolving Latent Space Network Models
在这篇文章中，我们专注于动态网络数据，它描述了一个固定的人口之间的相互作用，通过时间。我们使用潜在的空间框架，其中的连接形成的概率表示为与节点相关联的低维潜在坐标的函数，并考虑通过序贯蒙特卡罗（SMC）方法的模型参数的序贯估计的数据模型。在这种情况下，SMC是估计的自然候选者，其提供比文献中通常考虑的现有方法更大的可扩展性，允许在给定额外观测的情况下方便地更新估计，并促进在线和离线推断。我们提出了一种新的方法，通过建立在高维SMC文献的技术上，顺序推断动态潜在空间网络模型的参数。此外，我们通过模拟来检查我们的方法的可扩展性和性能，展示我们的方法对模型变量的灵活性，并分析描述课堂接触的真实数据集。
2021-12-19 stat.ME
A Latent Position Co-Clustering Model for Multiplex Networks
针对多层网络缺乏统一潜在空间框架进行网络级与节点级同时聚类的问题，提出基于分层混合之混合的贝叶斯非参数潜在位置共聚类模型LaPCoM，实现联合降维与两级聚类自动检测，并在模拟与真实社交网络中验证了其准确性与可解释性。
2025-07-12 stat.ME
Spherical latent space models for social network analysis
本文提出球面潜空间模型，将行动者嵌入超球面以更好地表示传递关系、社区结构和循环模式，并通过贝叶斯推断在两个基准数据集上验证了其优于传统潜空间模型的拟合度与可解释性。
2025-08-22 stat.CO stat.ME
Computationally efficient inference for latent position network models
潜在位置模型被广泛用于各种研究领域的网络分析。事实上，这些模型具有许多理想的理论特性，并且特别容易解释。然而，拟合这些模型的统计方法学通常会导致计算成本，该计算成本随着图中节点数量的平方而增长。这使得对大型社交网络的分析变得不切实际。在本文中，我们提出了一种新的方法，其特点是大大降低了计算复杂性，它可以用来适应潜在的位置模型的网络上的数万个节点。我们的方法依赖于一个近似的似然函数，其中的近似引入的噪声量可以任意减少计算效率为代价。我们建立了几个理论结果，显示如何传播的似然误差的不变分布的马尔可夫链蒙特卡罗采样器。特别是，我们证明了一个可以实现大幅减少计算时间，仍然得到一个很好的估计的潜在结构。最后，我们提出了我们的方法模拟网络和一个大型的合作网络的应用程序，突出我们的方法的实用性。
2023-03-07 stat.CO stat.ME
Latent Channel Networks
潜在欧几里得嵌入通过在欧几里得空间中表示每个节点来对给定网络进行建模，其中两个节点共享边缘的概率是节点之间距离的函数。这意味着两个节点要以高概率共享一条边，它们必须在所有维度上相对接近。该约束对于描述现代网络可能是过度限制性的，其中在至少一个区域中具有相似性可能足以具有高边缘概率。我们引入了一个新的模型，我们称之为潜在通道网络，它允许网络的这些功能。我们提出了一个EM算法来拟合模型，其中的计算复杂性是线性的边缘数和通道数，并应用该算法的合成和经典的网络数据集。
2019-09-17 cs.SI stat.ME stat.ML
Faster MCMC for Gaussian Latent Position Network Models
潜在位置网络模型是网络科学中的通用工具;应用包括聚类实体，控制因果混杂因素，以及在未观察到的图上定义先验。估计每个节点的潜在位置通常被框定为贝叶斯推断问题，Gibbs内的Metropolis是用于近似后验分布的最流行的工具。然而，众所周知，吉布斯的大都市对于大型网络是低效的;接受率的计算成本很高，并且由此产生的后验绘制高度相关。在这篇文章中，我们提出了一种替代的马尔可夫链蒙特卡罗策略-使用分裂哈密顿蒙特卡罗和萤火虫蒙特卡罗的组合定义-利用后验分布的函数形式更有效的后验计算。我们证明，这些策略优于大都会内吉布斯和其他算法的合成网络，以及在一个学区的教师和工作人员的真实信息共享网络。
2021-11-03 stat.CO stat.ME stat.ML
Inferring structure in bipartite networks using the latent block model and exact ICL
我们考虑的任务，同时聚类的两个节点集在一个二分网络。我们采用的方法是基于使用的精确集成的完全似然的潜在块模型。使用这一点允许使用贪婪搜索来推断集群的数量以及集群成员。这给出了节点集的基于模型的聚类。在模拟二分网络数据上的实验表明，贪婪搜索方法比基于竞争的马尔可夫链蒙特卡罗方法具有更大的可扩展性。应用到一些实际观察到的二部网络演示算法讨论。
2015-05-16 stat.CO
A dynamic network model with persistent links and node-specific latent variables, with an application to the interbank market
我们提出了一个动态网络模型，其中有两种机制控制两个节点之间的链接的概率：（i）过去是否存在此链接，以及（ii）描述每个节点创建链接的倾向的节点特定的潜在变量（动态适应度）。假设这两种机制的马尔可夫动力学，我们提出了一个期望最大化算法的模型估计和推理的潜变量。估计的参数和拟合度可以用于预测未来链路的存在。我们将我们的方法应用于e-MID银行间网络，这两种联动机制与网络形成过程中的两种不同交易行为相关联，即优惠交易和节点特定特征驱动的交易。实证结果允许识别优惠贷款在银行间市场，并表明如何不考虑随时间变化的网络拓扑结构的方法往往高估优惠联系。
2017-12-30 cs.SI physics.soc-ph q-fin.ST
Projected BNNs: Avoiding weight-space pathologies by learning latent representations of neural network weights
Harvard University（哈佛大学）；IBM Research（IBM研究院）
随着机器学习系统被广泛用于高风险决策，量化预测的不确定性变得至关重要。虽然现代神经网络在预测精度方面取得了显着的进步，但由于网络参数空间的高维性和复杂相关性，表征这些模型参数的不确定性是具有挑战性的。本文介绍了一种新的变分推理框架贝叶斯神经网络，（1）编码的复杂分布在高维参数空间中的低维潜在空间中的表示，（2）执行推理的低维表示。在大量的合成和真实世界的数据集，我们表明，我们的方法相比，直接在参数空间中工作的方法，提高了不确定性表征和模型的泛化。
2019-06-13 cs.LG stat.ML
Efficient Analysis of Latent Spaces in Heterogeneous Networks
本文提出了一种统一框架，用于高效估计异构网络中共享和异构潜在向量，通过分解潜在向量并利用分数方程提高统计效率。
2025-12-09 stat.ME
Properties of Latent Variable Network Models
我们推导出网络的潜变量模型的性质，这是一个广泛的模型类别，包括广泛使用的潜位置模型。这些指标包括平均度分布、聚类系数、平均路径长度和度相关性。我们介绍了高斯潜在位置模型，并推导出其网络特性的解析表达式和渐近近似。我们特别注意一个特殊的情况下，高斯潜在位置模型的随机效应，并表明它可以代表重尾度分布，正渐近聚类系数和小世界行为，经常观察到的社交网络。几个真实的和模拟的例子说明了模型捕捉观察到的网络的重要功能的能力。
2015-06-25 stat.ME
Geometric Model Selection for Latent Space Network Models: Hypothesis Testing via Multidimensional Scaling and Resampling Techniques
University of Kentucky（肯塔基大学）
本文提出了一种通过多维标度和重采样技术进行假设检验的方法，用于选择潜在空间网络模型的几何结构，以提高对大规模和稀疏网络的拟合效果。
2026-02-04 stat.ME
The Deep Latent Position Block Model For The Block Clustering And Latent Representation Of Networks
本文提出Deep LPBM，结合图卷积变分自编码器与专用解码器，同时实现网络块聚类、潜在空间连续表示及可视化，并通过准则比较、基准测试和政治博客网络分析验证其效果。
2024-12-02 stat.ME
A Bayesian Nonparametric Latent Space Approach to Modeling Evolving Communities in Dynamic Networks
动态（时变）网络数据中的社区演化是一个突出的感兴趣的话题。理解这些动态网络的一种流行方法是将二元关系嵌入到潜在度量空间中。虽然使用这种方法进行聚类的方法存在于动态网络中，但它们都假设静态社区结构。本文提出了一个动态网络的贝叶斯非参数模型，可以模拟网络与不断变化的社区结构。我们的模型扩展了现有的潜在空间的方法，明确建模的添加，删除，分裂和合并的组与层次狄利克雷过程隐马尔可夫模型。我们提出的方法，层次狄利克雷过程潜在位置聚类模型（HDP-LPCM），采用了传递性，模型的数据的个人和群体层面的方面，并避免了计算昂贵的选择所需的群体数量最流行的方法。我们提供了一个马尔可夫链蒙特卡罗估计算法，并将我们的方法应用于合成和真实世界的网络，以证明其性能。
2020-03-16 stat.ME
Latent Position Network Models
本章综述了网络的 latent position 模型，通过示例展示其捕捉网络特征与提供可解释可视化的能力，并概述了模型的主要扩展。
2023-04-06 stat.ME
Covariate Selection for Joint Latent Space Modeling of Sparse Network Data
Harvard TH Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文提出了一种联合潜在空间建模方法，用于稀疏网络数据的共变量选择，解决了稀疏网络中孤立节点信息利用、高维协变量筛选和潜在位置不确定性的问题。
2026-02-04 stat.ME
Analysis of the Formation of the Structure of Social Networks using Latent Space Models for Ranked Dynamic Networks
社交网络的形成及其结构的演变几十年来一直是研究人员感兴趣的问题。我们希望回答有关网络稳定性，群体形成和流行效应的问题。我们提出了一个潜在的空间模型排名动态网络，可以用来直观地框架和回答这些问题。纽科姆在20世纪50年代收集的众所周知的数据非常适合分析社会网络的形成。我们将我们的模型应用于这些数据，以研究网络的稳定性，出现什么样的群体以及何时出现，以及个人受欢迎程度如何与个人稳定性相关联。
2020-05-17 stat.ME
Regression of binary network data with exchangeable latent errors
本文提出基于可交换性假设的Probit可交换（PX）模型用于无向二元网络数据回归，并利用EM算法实现高效近似最大似然估计，在模拟和购书行为分析中证明其估计精度优于现有潜在变量模型且运行时间显著更短。
2023-05-25 stat.ME
Non-parametric latent modeling and network clustering
本文揭示了一种非参数的方法，潜在的和共潜在的双变量数据建模，交替最小化的库尔贝克-莱布勒散度（期望最大化算法）的完整的日志线性模型的基础上。对于分类数据，迭代算法生成列联表的行和列的软聚类。众所周知的结果是系统地重新审视，和一些变种可能是原来的。特别是，考虑方列联表诱导加权网络的聚类算法，不同于谱聚类或模块化最大化技术。此外，我们提出了一种适用于一般类型的HMM模型的联合聚类算法，不同于Baum-Welch算法。三个案例研究说明了这一理论。
2016-03-09 stat.ME
Factor Models for High-Dimensional Dynamic Networks: with Application to International Trade Flow Time Series 1981-2015
由于动态社交网络、生物网络和经济网络的重要性，动态网络分析在文献中引起了越来越多的兴趣。大多数适用于动态网络数据的概率和统计模型都是从随机图论中推导出来的，其中网络是在节点和边的水平上表征的。它们通常对应用程序有很大的限制，并且无法扩展到高维动态网络数据，而高维动态网络数据在当今非常普遍。在本文中，我们采取了不同的视角：网络的演化序列被视为一个时间序列的网络矩阵。我们采用了一个矩阵因子模型，其中所观察到的表面动态网络被假定为由一个潜在的动态网络与较低的维度。表面网络和潜在网络之间的线性关系的特点是未知的，但确定的负载矩阵。潜在的网络和相应的负载估计通过一个正定矩阵的特征分析，从网络时间序列的自互协方差构造，从而捕捉动态呈现在网络中。该方法能够揭示潜在的动态结构，达到降维的目的。与其他基于潜变量的动态网络分析方法不同，本文的方法既不对底层网络进行任何分布假设，也不对其协方差函数进行任何参数化处理。潜在网络直接从数据中学习，几乎没有主观输入。我们将该方法应用于1981年至2015年的月度国际贸易流量数据。研究结果揭示了潜在贸易网络的有趣演变以及潜在实体与国家之间的关系。
2017-10-17 stat.ME
Nested exemplar latent space models for dimension reduction in dynamic networks
针对动态网络潜属性张量规模过大带来的计算与统计挑战，提出嵌套样本潜空间模型，通过低秩表示实现大规模降维，开发高效贝叶斯推理算法，在仿真和生态网络应用中优势显著。
2024-12-12 stat.ME
Latent Space Approaches to Community Detection in Dynamic Networks
长期以来，将二元数据嵌入到潜在空间中一直是对各种网络建模的流行方法。虽然聚类已经完成了使用这种方法的静态网络，本文给出了两种方法的社区检测动态网络数据中，建立在距离和投影模型先前提出的文献。我们提出的方法捕捉随时间变化的数据方面，可以建模有向或无向的边缘，固有地将传递性和帐户每个演员的个人倾向，形成边缘。我们提供贝叶斯估计算法，并将这些方法应用于排名动态友谊网络和世界出口/进口数据。
2020-05-17 stat.ME
Network Model Averaging Prediction for Latent Space Models by K-Fold Edge Cross-Validation
针对小规模网络中潜在空间模型参数估计不佳的问题，提出网络模型平均（NetMA）方法进行链路预测，证明了其渐近最优性与权重一致性，并在模拟与真实网络中表现出优于传统方法的预测性能。
2025-05-28 stat.ME
Phylogenetic latent space models for network data
CEREMADE, CNRS, Université Paris–Dauphine（巴黎第九大学数学建模与优化研究中心）；Department of Decision Sciences, Bocconi University（博科尼大学决策科学系）；Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系）
本文提出一种基于系统发育推断的潜在空间模型，通过分支布朗运动建模节点特征向量的生成过程，学习节点特征间的树状依赖关系，揭示网络的多尺度结构。
2026-04-03 stat.ME
Model-based Clustering for Network Data via a Latent Shrinkage Position Cluster Model
本文提出潜在收缩位置聚类模型（LSPCM），通过贝叶斯非参数收缩先验和稀疏有限高斯混合模型，同时推断网络数据潜在空间的有效维度与聚类数量，并通过模拟和真实Twitter数据验证了其性能。
2025-11-02 stat.ME
Detection and estimation of vertex-wise latent position shifts across networks
针对共享顶点的两个随机网络，本文提出基于低秩嵌入、公共空间对齐及逐顶点检验的方法，以识别并估计潜在位置偏移，理论与实验验证了其有效性。
2025-10-20 stat.ME
Hyperbolic Latent Space Models for Network Embedding: Model Specification and Bayesian Inference
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Kentucky（肯塔基大学）；The Ohio State University（俄亥俄州立大学）
本文提出双曲潜空间模型，通过贝叶斯推断解决网络嵌入中的树状结构和厚尾度分布问题，强调温度参数对网络拓扑的重要性。
2026-06-11 stat.ME
Detecting Time-dependent Structure in Network Data via a New Class of Latent Process Models
我们引入了一类新的潜在的动态关系网络数据的过程模型，其目标是检测时间相关的结构。网络数据通常随时间推移而被观察，并且用于这样的数据的静态网络模型可能无法捕获相关的动态特征。我们提出了一种新的技术，用于识别不同的顶点子群的出现或消失。在这个公式中，随着时间的推移观察到一个网络，其属性边在随机时间出现。在未知的时间点，顶点的子组可能会表现出行为的变化。这样的变化可以采取以下形式：子组内或子组之间的连接的总体概率的变化，或者边属性的分布的变化。一个潜在的顶点位置的混合分布是用来检测异质性的连接行为随着时间的推移和顶点。在给定的时间具有各种属性的边缘的概率使用与每个顶点相关联的潜空间随机过程建模。一个随机点积模型被用来描述图的依赖结构。作为一个应用程序，我们分析了安然电子邮件语料库。
2013-11-14 stat.ME
AI-Augmented Statistical Network Estimation with Proxy Gene Embeddings
The University of Hong Kong（香港大学）；Carnegie Mellon University（卡内基梅隆大学）
研究利用现代生物医学基础模型提供的代理基因嵌入改善部分观察目标网络的潜在结构恢复，提出PLANE模型，结合两种信息源，经分析得出网络嵌入权重的最优选择，模拟等验证其能提升潜在恢复等效果。
2026-07-08 stat.ME
Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于潜在线性高斯DAG模型的因果发现方法，用于处理具有潜在状态异质性的干预计数数据，通过稀疏逆矩阵估计提供理论保证。
2026-03-26 stat.ME
Maximum Likelihood Estimation for Network Models with Latent Geometry under Snowball Sampling
Department of Statistics, University of Munich（慕尼黑大学统计系）
针对雪球抽样产生的网络数据，推导了连续潜在空间模型的精确似然，提出随机EM算法进行参数估计，纠正了朴素方法的偏差。
2026-08-18 stat.ME
A Latent Logistic Regression Model with Graph Data
近年来，图（网络）数据是人工智能、机器学习和统计学中的一个新兴研究领域。在这项工作中，我们感兴趣的是节点的标签（人的反应）是否受到其邻居的功能（朋友的特征）。我们提出了一种新的潜在逻辑斯谛回归模型来描述具有二元响应的网络依赖性。我们所提出的模型的主要优点是，一个潜在的二进制指标被引入，以表明一个节点是否容易受到其邻居的影响。提出了一种分数型测试来诊断网络依赖的存在。此外，EM型算法被用来估计网络依赖下的模型参数。进行了大量的模拟，以评估我们的方法的性能。两个公共数据集被用来说明所提出的潜在逻辑斯谛回归模型的有效性。
2022-10-11 stat.ME
A Review of Dynamic Network Models with Latent Variables
我们提出了一个选择性的审查统计建模的动态网络。我们专注于具有潜变量的模型，具体而言，潜空间模型和潜类模型（或随机块模型），它们研究网络的观测特征和未观测结构。我们首先概述静态模型，然后介绍动态扩展。对于每一个动态模型，我们也讨论了它的应用，已在文献中研究，与数据源在附录中列出。在回顾的基础上，我们总结了一系列的开放性问题和挑战，在动态网络建模的潜变量。
2018-05-30 stat.ME stat.OT
The Geometry of Continuous Latent Space Models for Network Data
我们回顾了网络数据的连续潜在空间（统计）模型，特别注意潜在空间的几何形状的作用。在这些模型中，网络二元关系的存在/不存在被假定为有条件独立的二元？在潜在空间中未被观察到的位置。通过这种方式，这些模型提供了一个概率框架，用于将网络节点嵌入配备有几何形状的连续空间中，该几何形状便于描述随机二元关系之间的依赖关系。具体来说，这些模型自然地捕捉了同质倾向和三元聚类，以及观察到的网络的其他共同属性。除了从几何角度回顾连续潜在空间模型的文献外，我们还强调了潜在空间的几何形状对这些模型通过直觉和模拟产生的网络属性的重要作用。最后，我们讨论的结果，从谱图理论，使我们能够探索的潜在空间的几何形状的作用，独立于网络的大小。最后，我们将讨论如何使用这些结果来从观察到的网络中推断出适当的潜在空间几何形状。
2019-03-25 cs.SI stat.ME
A Review of Latent Space Models for Social Networks
本文对社交网络和潜在空间建模的基本原理进行了综述。前者讨论了与网络描述相关的重要主题，包括顶点特征和网络结构;而后者阐述了网络建模的相关进展，包括随机图模型，广义随机图模型，指数随机图模型和社会空间模型。我们详细讨论了文献中提供的几个潜在的空间模型，特别注意的距离，类和特征模型的无向，二进制网络的背景下。此外，我们还使用20多个流行的网络文献数据集，从预测和拟合优度方面对这些模型的行为进行了实证研究。
2020-12-03 cs.SI stat.ME
A latent space network model for dynamic neural latent embedding
University College Dublin（都柏林大学学院）；Rinn Artificial Intelligence, University College Dublin（都柏林大学学院 Rinn 人工智能）；University of California, Davis（加州大学戴维斯分校）
该研究提出一种潜在空间网络模型，用于分析小鼠视觉辨别任务下的神经元锋电位时间序列，结合嵌套隐藏马尔可夫结构捕捉时间依赖，可表征脑活动动态及溢出效应。
2026-08-26 stat.AP stat.ME
Latent space models for multiplex networks with shared structure
潜空间模型经常用于单层网络的建模，包括许多流行的特殊情况，如随机块模型和随机点积图。然而，它们并不适合更复杂的网络结构，这在实践中变得越来越普遍。在这里，我们提出了一个新的潜在空间模型的多重网络：多个，异构网络上观察到的共享节点集。多重网络可以表示具有共享节点标签的网络样本、随时间演进的网络或具有多种类型的边的网络。我们的模型的关键特征是，它从数据中学习网络结构中有多少是在层之间共享的，并在适当的情况下跨层共享信息。我们建立了可识别性，开发了一个拟合过程，结合使用凸优化与核规范的惩罚，并证明了恢复的潜在位置，只要有足够的共享和个人的潜在子空间之间的分离的保证。我们比较了模型的竞争方法在文献中的模拟网络和一个多元化的网络描述的全球农产品贸易。
2021-07-07 stat.ME stat.ML
Detecting Latent Communities in Network Formation Models
本文提出了一个logistic无向网络形成模型，该模型允许对观察到的个体特征进行选择性匹配，并存在边向固定效应。我们将观测特征的系数建模为具有潜在的社区结构，将边缘方向的固定效应建模为低秩。我们提出了一个多步骤的估计过程，涉及核范数正则化，样本分裂，迭代逻辑回归和谱聚类检测潜在的社区。我们发现，当网络的期望度为log n或更高时，可以准确地恢复潜在社区，其中n是网络中的节点数。通过模拟和真实数据集说明了新的估计和推断方法的有限样本性能。
2021-03-05 econ.EM stat.ME
The Sparse Latent Position Model for nonnegative weighted networks
本文介绍了一种分析具有非负边值的二部和一部网络的新方法。所提出的方法结合并适应了一些想法，从文献中的潜变量网络模型。由此产生的框架是一种新型的潜在位置模型，具有很大的灵活性，并能够捕捉到重要的功能，通常所观察到的网络，如稀疏性和重尾度分布。所提出的方法的一个重要优点是，在一个单一的算法框架中的数据自动推导出的潜在维度的数量。此外，该模型为每个潜在维度赋予权重，从而提供了对其相对重要性的度量。提出了一种快速变分贝叶斯算法来估计模型的参数。最后，所提出的方法的应用程序都说明了人工和真实的数据集，并与其他现有的程序进行比较。
2018-08-28 stat.CO stat.ME
Latent space models for networks with nodal multiplicative effects
该研究针对网络隐空间模型引入节点乘性效应，通过模拟实验与优化推理方案验证，提升了模型生成灵活性，更准确复现真实网络拓扑性质。
2026-08-10 stat.ME stat.OT
Transfer learning under latent space model
本文提出潜在空间模型下的迁移学习方法，通过两阶段算法利用相似源网络提升目标网络潜在变量估计精度，并给出理论性质与实证验证。
2025-09-19 stat.ME stat.ML
Latent Space Network Modelling with Hyperbolic and Spherical Geometries
一个丰富的网络模型将每个节点与一个低维潜在坐标相关联，该坐标控制着连接形成的倾向。这种类型的模型在网络分析文献中得到了很好的建立，其中通常假设基础几何是欧几里得的。最近的工作探讨了这种选择的后果，并激发了依赖于非欧几里德潜在几何模型的研究，主要集中在球面和双曲几何。在本文中，我们研究在何种程度上可以从网络中的可观察链接推断出潜在的功能，考虑依赖于球形和双曲几何的网络模型。对于每一个几何形状，我们描述了一个潜在的空间网络模型，详细的限制，消除了众所周知的可识别性问题的潜在坐标，并提出贝叶斯估计方案。因此，我们开发的计算程序来执行推理的网络模型中，底层几何的属性起着至关重要的作用。最后，我们评估这些模型的真实数据的有效性。
2022-02-10 stat.AP stat.CO stat.ME
Hyperbolic Network Latent Space Model with Learnable Curvature
Department of Statistics University of Michigan（密歇根大学统计学系）
本文提出一种具有可学习曲率的双曲网络潜在空间模型，通过最大似然估计策略解决潜在空间曲率的几何效应问题，并在模拟和实际应用中验证其优越性能。
2026-02-10 math.ST stat.ME stat.TH
Joint Latent Space Model for Social Networks with Multivariate Attributes
在社会、行为和经济科学的许多应用问题中，研究人员通常拥有一组个体之间的社会网络数据以及每个个体的高维多变量测量。为了分析这样的网络数据结构，我们提出了一个联合属性和人的潜在空间模型（APLSM），总结信息的社会网络和多属性测量的人属性联合潜在空间。我们发展了一个变分贝叶斯期望最大化估计算法来估计属性和人在联合潜空间中的位置的后验分布。这种方法允许有效的整合，信息可视化，并预测社交网络和高维属性测量。使用APLSM，我们探索法国金融精英的内部运作的基础上，他们的社交网络和他们的职业生涯，政治观点和社会地位。我们观察到，法国精英的社会圈子根据他们个人特征的差异而划分。
2021-02-01 stat.AP stat.ME
Estimating Causal Peer Influence in Homophilous Social Networks by Inferring Latent Locations
本文针对潜在同质性导致社会影响难以从观测网络数据中识别的问题，证明在随机块模型或连续潜在空间模型下，利用全局网络结构估计潜在属性后，可在线性模型中一致估计同伴影响效应。
2021-06-17 cs.SI physics.soc-ph stat.ME
Comparing multiple latent space embeddings using topological analysis
潜在空间模型是网络数据统计推断的著名方法之一。虽然该模型已经针对单个网络进行了大量研究，但当存在多个网络及其潜在嵌入时，它并没有引起太多的关注。我们采用基于拓扑的潜在空间嵌入表示来学习网络模型拟合，这使我们能够以不变的方式比较潜在大小不同的网络，以标记排列和刚性运动。这种方法使我们能够提出聚类和多样本假设检验的算法，采用希尔伯特空间值分析的成熟理论。在通过模拟实例验证了所提出的方法后，我们应用该框架分析了韩国创新学校改革的教育调查数据。
2022-08-26 stat.AP stat.ME
A mixture model approach for clustering bipartite networks
本章通过基于模型的聚类方法研究了二分网络的潜在结构，该方法能够捕获发送节点的潜在组和发送节点与每个组内的接收节点创建链接的倾向的潜在变化。这种建模方法是非常灵活的，可以通过使用快速推理的方法，如变分推断估计。我们应用这个模型来分析恐怖分子网络，以确定主要的潜在群体的恐怖分子和他们的潜在特质分数的基础上，他们出席一些事件。
2019-07-18 stat.AP stat.ME
Latent Conjunctive Bayesian Network: Unify Attribute Hierarchy and Bayesian Network for Cognitive Diagnosis
针对传统属性层级方法参数复杂度高、缺乏统计依赖性解释的问题，提出统一属性层级与贝叶斯网络的潜在合取贝叶斯网络，搭配两步EM算法，在国际教育评估数据集上得到可解释的认知诊断结果。
2023-08-24 stat.AP stat.ME
Bootstrapping Networks with Latent Space Structure
统计网络分析的一个核心问题是开发经典技术的网络模拟。自举网络数据的问题尤其具有挑战性，因为通常只观察单个网络，而不是样本。在这里，我们提出了两种方法来获得从潜在空间模型绘制的网络的自举样本。第一种方法生成网络统计数据的自举复制，这些统计数据可以表示为潜在位置中的U统计数据，并且避免实际构建新的自举网络。第二种方法生成整个网络的自举复制，因此可以用于自举任何网络功能。通常研究的网络量可以表示为U-统计量，包括许多流行的总结，如平均度和子图计数，但其他同样流行的总结，如聚类系数，不能表示为U-统计量，因此需要第二次引导方法。在随机点积图（一种潜在空间网络模型）的假设下，我们证明了所提出的Bootstrap方法的一致性。我们给出了激励性的例子，并证明了我们的方法对合成数据的有效性。
2021-10-12 math.ST stat.ME stat.TH
Efficient Synthetic Network Generation via Latent Embedding Reconstruction
Department of Statistics, University of Michigan, Ann Arbor, Michigan, USA（统计学系，密歇根大学，安娜堡，密歇根州，美国）
提出SyNGLER框架，基于潜在空间网络模型，通过重建潜在嵌入生成合成网络，兼顾效率与结构保真度。
2026-05-31 cs.LG stat.AP stat.ME
A Bayesian Dynamic Latent Space Model for Weighted Networks
Ca’ Foscari University of Venice（威尼斯卡福斯卡里大学）；Luiss University（卢伊斯大学）
本文提出一种新的动态潜在空间Eigen模型，用于处理加权时间网络中的整数权重、零过剩、时间变化的节点位置和网络稀疏性。通过向量自回归过程建模潜在位置，并采用贝叶斯方法解决动态LSM中的推断难题。
2026-04-14 stat.CO stat.ME
Latent space approaches to aggregate network data
大规模的网络数据可能会带来计算挑战，获取成本高昂，并危及社交网络中个人的隐私。我们发现，潜在的空间集群模型的位置和规模可以推断出组之间的连接数。我们使用合成数据演示了这种建模方法，并将其应用于作为添加健康研究的一部分收集的学生之间的友谊，消除了对节点级连接数据的需要。因此，该方法保护了个人的隐私并简化了数据共享。它还提供了节点级潜在空间模型的性能优势，因为计算成本与集群的数量而不是节点的数量有关。
2023-03-15 cs.SI physics.soc-ph stat.ME
Continuous Latent Position Models for Instantaneous Interactions
我们创建了一个框架来分析实体对之间瞬时交互的时间和频率。这种类型的交互数据现在特别常见，并且很容易获得。即时交互的例子包括电子邮件网络、电话网络和一些常见类型的技术和交通网络。我们的框架依赖于潜在位置网络模型的一种新的扩展：我们假设实体嵌入在潜在的欧几里得空间中，并且它们沿着随时间连续的单个轨迹移动。这些轨迹用于表征成对相互作用的时间和频率。我们讨论了一个推理框架，我们估计从观察到的相互作用数据的个人轨迹，并提出人工和真实数据的应用。
2021-03-31 stat.ME stat.ML
Model Criticism of Bayesian Networks with Latent Variables
Educational Testing Service（教育考试服务中心）
贝叶斯网络（BN）的认知评估和智能教学系统的应用提出了新的挑战，模型的建设。当认知任务分析建议构建一个BN与几个潜在的变量，经验模型批评的潜在结构变得既关键又复杂。本文介绍了一种方法，批评模型的全球（BN在其整体）和本地（可观察节点），并探讨其价值在识别几种失配：节点错误，边缘错误，状态错误，和先验概率错误的潜在结构。结果表明，该指数有可能检测模型失配，并协助定位有问题的组件的模型。
2013-01-16 cs.AI stat.AP stat.ME
