基于随机梯度下降的具有吸引子的动态网络模型推断
统计方法学
2024-12-17 v3 社会与信息网络
摘要
在具有吸引子的共演潜空间网络（CLSNA）模型中，潜空间中的节点代表社会行动者，边表示他们的动态交互。在潜层级引入吸引子以捕捉节点间的吸引和排斥力概念，借鉴了动力系统理论。然而，CLSNA 对 MCMC 估计的依赖使得扩展变得困难，且要求节点在整个研究期间存在限制了实际应用。我们通过以下方式解决这些问题：(i) 引入一种随机梯度下降（SGD）参数估计方法，(ii) 开发一种利用 SGD 进行不确定性量化的新方法，以及 (iii) 扩展模型以允许节点随时间加入和离开。模拟结果显示，与 MCMC 相比，我们的扩展仅导致微小的精度损失，但可扩展至大得多的网络。我们将该方法应用于美国国会成员在社交媒体平台 X 上的纵向社交网络。考虑节点动态克服了网络中的选择偏差，并揭示了共和党内部独特且日益增强的排斥力。
引用
@article{arxiv.2403.07124,
title = {Stochastic gradient descent-based inference for dynamic network models with attractors},
author = {Hancong Pan and Xiaojing Zhu and Cantay Caliskan and Dino P. Christenson and Konstantinos Spiliopoulos and Dylan Walker and Eric D. Kolaczyk},
journal= {arXiv preprint arXiv:2403.07124},
year = {2024}
}