极端分类学偏差下生态网络中的链接预测
统计方法学
2025-11-19 v2 应用统计
摘要
生态网络提供了强大的社区功能洞察力，但在没有首先准确描绘这些网络的前提下，我们的能力受限于检测和解释环境压力下的变化。我们发展了一种方法，以减少在数据来源于聚焦少数物种研究的常见情境中预测链接偏差的效果。我们提出的扩展协变量感知链接预测（COIL+）框架采用潜在因子模型，灵活地跨物种借用信息，纳入物种特征和系统发育背景，并利用来自多个研究的信息来解决物种发生不确定性问题。我们还提出了一种特征匹配程序，允许物种水平特征-相互作用关联的异质性。我们以268个来源报道的非洲果食生态网络数据为例，比较了带和不纠正发生不确定性的性能。COIL+显著改进了链接预测并减少了抽样偏差，揭示了5637个可能但未观察到的果食相互作用（每个果食者中位九个额外相互作用）。新预测的相互作用集中在 poorly sampled 的果食者中，如水象鼻（Hyemoschus aquaticus，一只小型森林栖息的野牛）和红腹枕头鹀（Prionops rufiventris，一只东非热带森林的鸟类）。此外，该方法在强分类学偏差和狭窄研究焦点下，比现有方法提高了模型判别能力。该框架可推广到多样化网络情境，为面对偏斜相互作用数据进行链接预测提供了有用工具。
引用
@article{arxiv.2506.23370,
title = {Link prediction in ecological networks under extreme taxonomic bias},
author = {Jennifer N. Kampe and Camille M. M. DeSisto and David B. Dunson},
journal= {arXiv preprint arXiv:2506.23370},
year = {2025}
}