基于 K 折边交叉验证的潜空间模型网络模型平均预测
统计方法学
2025-05-29 v1
摘要
在复杂系统中，网络通过边表示节点之间的连接关系。潜空间模型由于其可解释性和可视化能力，在社区发现和链路预测等网络数据分析任务中至关重要。然而，当网络规模相对较小，且真实的潜空间维度较大时，潜空间模型中的参数可能无法得到很好的估计。为了解决这个问题，我们提出了一种针对不同维度潜空间模型的网络模型平均 (Network Model Averaging, NetMA) 方法，特别关注网络中的链路预测。对于单层和多层网络，我们首先在实现最低可能预测损失的意义上，建立了所提出的平均预测的渐近最优性。然后我们证明，当候选模型包含一些正确模型时，我们的方法将所有权重分配给正确模型。此外，我们证明了基于 NetMA 的权重估计量趋于最优权重向量的一致性。广泛的模拟研究表明，NetMA 的表现优于简单平均和模型选择方法，甚至在真实潜空间维度相对较大时优于“oracle”方法。对协作网络和虚拟事件网络的评估进一步强调了 NetMA 在链路预测性能上的竞争力。
引用
@article{arxiv.2505.22289,
title = {Network Model Averaging Prediction for Latent Space Models by K-Fold Edge Cross-Validation},
author = {Yan Zhang and Jun Liao and Xinyan Fan and Kuangnan Fang and Yuhong Yang},
journal= {arXiv preprint arXiv:2505.22289},
year = {2025}
}