从网络度分布中学习尾部真实偏好附连模型的生长机制
统计方法学
2025-10-07 v2
摘要
识别网络的生成机制具有挑战性，因为通常只能获得快照，却无法获得完整的演化过程。偏好附连是一种生成机制，其最简单形式导致度分布遵循幂律。因此，常常会用偏好附连来建模显示此类幂律行为的真实网络的生长。幂律的普遍性已受到具有相当性能的替代方案的挑战，以及尾部常常比主体所暗示的更轻，尽管仍然呈规则可变的发现。本文提出了一种具有灵活偏好函数的偏好附连模型。使用离散极端方法，我们直接通过偏好函数的形式来描述 limiting 度分布的尾部行为。直接将尾部指数与模型参数相关联，使其能够仅通过拟合度分布来推断，这一点得到仿真研究的支持。对真实数据的应用结果令人振奋，性能相当于替代方案。
引用
@article{arxiv.2506.18726,
title = {Learning growth mechanisms of tail realistic preferential attachment models from network degree distributions},
author = {Thomas Boughen and Clement Lee and Vianey Palacios Ramirez},
journal= {arXiv preprint arXiv:2506.18726},
year = {2025}
}