发表机构
Data Science Institute, University of Chicago; Department of Statistics and Actuarial Science, Simon Fraser University（芝加哥大学数据科学研究所; 西蒙菲莎大学统计与精算系）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种基于B样条的非齐次泊松动态潜空间模型，用于分析连续时间关系事件数据，并通过可识别性证明和高效算法，揭示国际合作的动态模式与行为体角色。
AI 中文摘要
我们研究连续时间关系事件数据，其中带有时间戳的二元交互同时反映了个体节点的倾向性和不断演变的关系邻近性。我们针对非齐次泊松过程提出了一种动态潜空间模型，其中事件强度取决于节点特定的活动参数以及通过灵活B样条建模的时变潜距离。我们通过将基线活动与潜位置解耦来证明模型的可识别性，确保高交互量不会扭曲空间图。为了可扩展性，我们开发了一种具有稳定初始化和几何锚定的小批量随机梯度算法，以及用于调整模型复杂度的有效自由度BIC。模拟实验证实了准确的参数恢复和样本外预测。将该模型应用于1995年至2022年间60个主要经济体之间的合作外交事件，模型揭示了国际合作模式的转变，并将流动的地缘政治行为体与固定的制度锚点区分开来。
英文摘要
We study continuous-time relational event data, where time-stamped dyadic interactions reflect both individual node propensities and evolving relational proximity. We propose a dynamic latent space model for inhomogeneous Poisson processes, where event intensities depend on node-specific activity parameters and time-varying latent distances modeled via flexible B-splines. We prove model identifiability by decoupling baseline activity from latent position, ensuring high interaction volumes do not warp the spatial map. For scalability, we develop a minibatch stochastic gradient algorithm with stable initialization and geometric anchoring, alongside an effective-degrees-of-freedom BIC for tuning model complexity. Simulations confirm accurate parameter recovery and out-of-sample prediction. Applied to cooperative diplomatic events among 60 major economies (1995--2022), the model uncovers shifting patterns of international cooperation and isolates mobile geopolitical actors from stationary institutional anchors.
