网络生成模型的统一视角：模型、方法、机遇与挑战

关于网络概率模型的研究现已涵盖物理学、社会学、生物学、统计学和机器学习等多个领域。这些努力产生了多样化的模型和方法生态。尽管存在多样性，许多模型共享一个共同的底层结构：成对相互作用（边）是根据潜在顶点属性以一定概率生成的。模型之间的差异通常源于关于如何从数据中学习的不同哲学选择，或不同的经验驱动目标。然而，这些生成模型研究的高度跨学科性质阻碍了对其异同点形成统一视角的发展。例如，机器学习中开发的新型理论模型和优化技术在社会科学和生物科学中 largely 不为人知，而这些领域更强调模型的可解释性。在此，我们描述了一种网络生成模型的统一视角，将许多这些分散的线索汇集起来，突出了跨越这些领域的基本异同点。随后，我们阐述了这一视角所揭示的未来工作的若干机遇与挑战。