NetworkNet：面向稀疏节点属性和复杂节点异质性随机网络的深度神经网络方法
统计方法学
2026-04-14 v1 人工智能
统计理论
统计计算
统计理论
摘要
具有丰富节点信息的异构网络数据在跨学科研究中日益普及，但准确建模复杂的节点异质性并同时选择有影响力的节点属性 remains 一个开放性挑战。这一问题在经济学和社会学等诸多应用中尤为关键，当节点异质性和高维个人特征高度影响网络形成时。我们提出一种统计学导向的统一深度神经网络方法，用于建模具有高维节点属性的随机网络中的节点异质性，称为NetworkNet。NetworkNet的关键创新在于一种量身定制的神经网络体系结构，显式参数化属性驱动的异质性，同时嵌入可扩展的属性选择机制。NetworkNet持续估计两种潜在异质性函数，即节点开放性和流行性，同时通过数据驱动属性选择从提取中有影响力的节点属性。通过将经典统计网络建模与深度学习统一，NetworkNet为DNN提供了表征能力，同时具备方法论可解释性、算法可扩展性和统计严谨性，并给出非渐近近似误差界。经实验模拟表明，NetworkNet在异质性估计和高维属性选择方面均表现出色。我们进一步将NetworkNet应用于统计学家之间的大规模作者-引用网络，揭示了研究领域动态演化和学术影响力的新见解。
引用
@article{arxiv.2604.11673,
title = {NetworkNet: A Deep Neural Network Approach for Random Networks with Sparse Nodal Attributes and Complex Nodal Heterogeneity},
author = {Zhaoyu Xing and Xiufan Yu},
journal= {arXiv preprint arXiv:2604.11673},
year = {2026}
}