用于建模网络集合的指数族随机图模型有限混合
统计方法学
2020-04-23 v3 统计计算
摘要
网络集合在许多科学领域中都会出现，但可用于推断其生成过程的统计工具很少，尤其是在同时存在二值依赖和跨图异质性的情况下。为填补这一空白，我们提出通过指数族随机图模型的有限混合来刻画网络集合；该框架是一种图的参数化统计建模方法，已成功用于显式建模支配网络中边结构的复杂随机过程。我们提出的建模框架还可用于诸如网络集合的基于模型的聚类和复杂图分布的密度估计等应用。我们开发了 Metropolis-within-Gibbs 算法来进行完全贝叶斯推断，并改编了缺失数据模型的偏差信息准则的一个版本，以选择潜在异质生成机制的数目。模拟研究表明，所提出的方法能够恢复真实的潜在异质生成过程数目及相应参数。我们使用美国参议员之间政治共同投票网络的一个集合展示了所提方法的效用。
引用
@article{arxiv.1910.11445,
title = {Finite Mixtures of ERGMs for Modeling Ensembles of Networks},
author = {Fan Yin and Weining Shen and Carter T. Butts},
journal= {arXiv preprint arXiv:1910.11445},
year = {2020}
}