基于距离度量的交互网络群体建模
统计方法学
2022-06-22 v1 统计计算
摘要
网络数据通过对一组实体间关系信息的观测而产生。文献中近期的工作已分别考虑了以下情形：(i) 观测到网络的一个样本，神经科学中的连接组学数据就是一个普遍例子；以及 (ii) 网络内的观测单元是边或路径，例如人与人之间的电子邮件或用户对网站的系列页面访问，常被称为交互网络数据。然而，这两种情形的交集尚待考虑。在本文中，我们提出一个新的贝叶斯建模框架来分析此类数据。给定从业者指定的观测间距离度量，我们通过位置与尺度参数定义模型族，类似于高斯分布，随后对模型参数的推断为这一非标准数据结构提供了合理的统计摘要。为促进推断，我们提出了专门的马尔可夫链蒙特卡洛（MCMC）方案，能够在离散与多维参数空间上从双重难处理后验分布中采样。通过模拟研究，我们确认了方法与推断方案的有效性，并通过一个基于位置的社交网络（LSBN）数据集的实例分析说明了其应用。
引用
@article{arxiv.2206.09995,
title = {Modelling Populations of Interaction Networks via Distance Metrics},
author = {George Bolt and Simón Lunagómez and Christopher Nemeth},
journal= {arXiv preprint arXiv:2206.09995},
year = {2022}
}
备注
42 pages (76 with supplementary materials), 16 figures