潜在过程模型在函数网络数据中的应用
摘要
网络数据通常伴随辅助信息采样，或通过随时间观察复杂系统而收集，导致产生由连续变量索引的多个网络快照。传统统计网络分析方法多针对单一网络设计，可应用于此场景下的聚合网络，但该方法可能遗漏重要的函数结构。本文开发了一种方法，将期望网络显式估计为连续索引（时间或其他索引变量）的函数。我们通过低维潜在过程对网络期望进行参数化，并使用固定的有限维函数基表示其分量。我们推导了梯度下降估计算法，建立了低维结构恢复的理论保证，将我们的方法与竞争对手进行比较，并将其应用于随时间变化的国际政治互动数据集，显示我们提出的方法能良好适应数据、优于竞争对手，并提供可解释且有意义的结果。
代码资源
[代码]
