面向动态网络的贝叶斯溢出图
统计方法学
2022-06-20 v2 机器学习
应用统计
机器学习
摘要
我们提出贝叶斯溢出图（BSG），一种用于学习动态系统中多期溢出效应的时序关系、识别关键节点并量化不确定性的新方法。BSG 通过预测误差方差分解（FEVD）利用可解释框架，并通过贝叶斯时间序列模型进行全面的不确定性量化，从而从系统性风险与预测可变性的角度刻画时序关系。预测期超参数 支持学习短期与均衡态网络行为。在多种图与误差设定下识别源节点与汇节点的实验表明，相较最先进的贝叶斯网络与深度学习基线，性能有显著提升。对真实世界系统的应用亦展示 BSG 可作为探索性分析工具，用于揭示间接溢出与量化系统性风险。
引用
@article{arxiv.2203.01912,
title = {Bayesian Spillover Graphs for Dynamic Networks},
author = {Grace Deng and David S. Matteson},
journal= {arXiv preprint arXiv:2203.01912},
year = {2022}
}