贝叶斯潜在空间图模型被误指定：通过广义后验实现稳健推断
机器学习
2026-05-20 v1 机器学习
概率论
摘要
贝叶斯潜在空间模型提供了网络表示的原则方法，但依赖几何和链路函数的正确指定。现实网络常常违反这些假设，表现为几何不匹配和结构异常，破坏标准度量属性。我们表明，这种误指定将数据生成分布推出模型类，导致贝叶斯推断过度自信且校准性差。为此，我们提出一种针对随机几何图的广义后验框架。我们引入Link-Sequential R-SafeBayes方法，利用二元条件独立性估计先验风险并自适应调节后验正则化。实验在合成和真实网络上表明，该方法在校准性、链路预测性能方面均有所提高，并提供可靠的标准，用于在欧几里得、球面和双曲空间中选择潜在几何。
引用
@article{arxiv.2605.18927,
title = {Bayesian Latent Space Models for Graphs Are Misspecified: Toward Robust Inference via Generalized Posteriors},
author = {Aldric Labarthe},
journal= {arXiv preprint arXiv:2605.18927},
year = {2026}
}