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
On estimation and inference in latent structure random graphs
我们定义了一个潜在的结构模型(LSM)随机图作为一个随机点积图(RDPG),其中的潜在位置分布结合了概率和几何约束,划定了一个家庭的基础分布在一些固定的欧几里得空间,和结构支持子流形,从该图的潜在位置绘制。对于一个一维潜在的结构模型与已知的结构支持,我们展示了如何谱估计的潜在位置的RDPG可以用于有效的估计的参数的LSM。我们描述了如何估计或学习的结构支持的情况下,它是未知的,说明性的重点与潜在的位置沿Hardy-Weinberg曲线的图形。最后,我们使用潜在的结构模型制定测试双边同源果蝇连接体。
2020-04-17 stat.ME
A Latent Shrinkage Position Model for Binary and Count Network Data
针对网络数据潜在空间维度推断难的问题,提出潜在收缩位置模型(LSPM),采用贝叶斯非参数先验实现维度自动推断,并通过马尔可夫链蒙特卡洛算法优化计算,适用于二元与计数网络。
2023-06-09 stat.ME
Variational Inference for the Latent Shrinkage Position Model
针对潜收缩位置模型(LSPM)计算成本高的问题,提出变分推断方法以降低计算开销并保留自动确定有效维度的能力,通过模拟与真实数据验证了性能并开源代码。
2024-04-24 stat.CO 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
Detection and estimation of vertex-wise latent position shifts across networks
Johns Hopkins University(约翰斯·霍普金斯大学)
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
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
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
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
RKHS-based Latent Position Random Graph Correlation
Institute of Statistics and Big Data, Renmin University of China(中国人民大学统计与大数据研究院);Department of Statistics, The Chinese University of Hong Kong(香港中文大学统计系)
本文针对两个潜在位置随机图的相关性检验问题,提出基于核方法的检验统计量及对应估计方法,验证其有效性并扩展适用场景,在模拟与真实数据上表现良好。
2026-08-19 stat.ME
A proportional hazards model for interval-censored data subject to instantaneous failures
比例风险(PH)模型可以说是用于分析临床试验和纵向研究等产生的事件发生时间数据的最流行模型之一。在许多这样的研究中,感兴趣的事件时间不是直接观察到的,而是相对于周期性检查时间已知的;即,从业者观察当前状态或区间删失数据。这种结构的数据分析往往充满了许多困难。进一步加剧了这个问题,在一些这样的研究中,观察到的数据也包括瞬时故障;即,几个研究单元的事件时间与研究开始的时间完全一致。鉴于这些困难,这项工作的重点是开发一个混合模型,PH假设下,它可以用来分析区间删失数据的瞬时故障。为了允许建模的灵活性,提出了两种方法来估计未知的累积基线风险函数,被认为是一个完全参数化和单调样条表示。通过引入潜在泊松随机变量的数据增广过程,提出了一种期望最大化(EM)算法来完成模型拟合。所得到的期望最大化算法易于实现并且计算效率高。此外,通过广泛的模拟研究所提出的方法被证明是提供可靠的估计和推理。
2018-04-03 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
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
A Zero-Inflated Poisson Latent Position Cluster Model
University College Dublin(都柏林大学学院);Insight Research Ireland Centre for Data Analytics, University College Dublin(爱尔兰洞察数据分析研究中心,都柏林大学学院)
本文提出一种结合零膨胀泊松分布的潜在位置聚类模型,用于处理缺失网络数据,并在三维空间中实现更灵活的聚类分析。
2026-01-30 stat.AP stat.CO stat.ME
Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily
本文提出基于潜变量模型的同伴影响估计方法,在校正未观测同质性的同时识别治疗社区中同伴毕业对居民毕业的因果效应,并通过模拟和反事实分析验证其有效性及网络传播效益。
2024-06-10 stat.ME stat.ML
Mixed Latent Position Cluster Models for Networks
School of Mathematics and Statistics, University College Dublin(都柏林大学数学与统计学院);Insight Research Ireland Centre for Data Analytics, University College Dublin(都柏林大学Insight爱尔兰数据分析研究中心)
本文提出混合潜在位置聚类模型,用于处理有向网络中的不对称性和非欧几里得模式,通过双表示识别节点的社会位置。
2026-01-29 stat.CO stat.ME
Unfolding and Fusion: Debiased Inference for Generalized Multilayer Latent Space Models
Southern University of Science and Technology(南方科技大学);University of Michigan(密歇根大学)
本文提出了一种多层广义潜在空间模型,通过非线性链接函数将多层网络结构表示为张量,并开发了新的展开和融合方法以解决估计和推断问题。
2026-08-24 stat.ME
Hyperbolic Latent Position Models for Hierarchical Bipartite Data
Baruch College(巴鲁克学院);CUNY Graduate Center(纽约市立大学研究生中心);Yale University(耶鲁大学)
针对分层二分数据的特性,提出HELPI双曲潜在位置模型,分离几何交互与加性倾向,在模拟及两类真实数据上验证了模型的有效性与可解释性。
2026-08-17 stat.ME
Attractor-Based Coevolving Dot Product Random Graph Model
本文提出基于吸引子的协同演化点积随机图模型,通过两个群体吸引子刻画节点潜在位置演化,并建立参数估计量及其一致性与收敛速率,为分析动态网络中的极化或聚群行为提供新框架。
2025-05-05 stat.AP stat.ME
Variational Inference for Latent Space Models for Dynamic Networks
潜在空间模型是分析动态网络数据的常用方法。我们提出了一种变分方法来估计模型参数以及网络中节点的潜在位置。变分方法比马尔可夫链蒙特卡罗算法快得多,并且能够处理大型网络。所提出的方法的变分贝叶斯风险的理论性质。我们应用变分方法和潜在空间模型的模拟数据以及实际数据,以证明其性能。
2021-05-28 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
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
Latent Space Model for Higher-order Networks and Generalized Tensor Decomposition
Hong Kong University of Science and Technology(香港科技大学);Ohio State University(俄亥俄州立大学)
我们引入了一个统一的框架,制定为一般的潜在空间模型,研究复杂的高阶网络多个实体之间的相互作用。我们的框架涵盖了最近网络分析文献中的几种流行模型,包括混合多层潜在空间模型和超图潜在空间模型。我们通过一个广义多线性核函数作为连接函数来描述潜在位置和观测数据之间的关系。虽然我们的模型具有良好的通用性,其最大似然参数估计也是方便的,通过广义张量分解过程。我们提出了一种新的算法,使用投影梯度下降的格拉斯曼。我们还为我们的算法开发了原始的理论保证。首先,我们证明了它的线性收敛性在温和的条件下。其次,我们建立了有限样本的潜在位置估计的统计出错率,由信号强度,自由度和光滑的链接函数,一般和特定的潜在空间模型。我们证明了我们的方法对合成数据的有效性。我们还展示了我们的方法在两个现实世界的数据集上的优点,这些数据集通常由不同的特定模型描述,以产生有意义的和可解释的参数估计和准确的链接预测。我们证明了我们的方法对合成数据的有效性。我们还展示了我们的方法在两个现实世界的数据集上的优点,这些数据集通常由不同的特定模型描述,以产生有意义的和可解释的参数估计和准确的链接预测。
2021-06-30 cs.LG math.ST stat.ME
The Deep Latent Position Topic Model for Clustering and Representation of Networks with Textual Edges
Université Paris Cité(巴黎城市大学);Université Clermont Auvergne(克莱蒙奥弗涅大学)
提出 Deep-LPTM 聚类策略,结合变分图自编码器与概率模型,在双嵌入空间联合表示节点和边,并引入 IC2L 模型选择准则,在合成数据与 Enron 邮件分析中优于现有方法。
2024-02-13 cs.CL cs.LG cs.SI