基于高斯变分推断的多层网络混合成员不确定性量化：考虑度异质性
统计方法学
2025-12-10 v1 统计理论
统计计算
统计理论
摘要
分析多层网络是理解跨越多个条件或随时间收集的复杂关系测量的关键任务。在此背景下，量化社区结构不确定性同时在层之间合理地池化信息并容纳层特定异质性，是一项关键任务。基于多层度校正混合成员模型（ML-DCMM），该模型捕捉稳定的社区成员档案和层特定顶点活动水平，我们提出基于谱辅助似然的贝叶斯推断框架。随后，我们开发了通过随机梯度下降实现的计算高效高斯变分推断算法。我们的理论分析建立了变分布尔-温米斯定理，为使用变分后验构建混合成员的置信集合提供了频率主义保证。在美国机场纵向网络数据上，我们展示了该方法的实用性，该程序yield robust estimates, 自然的不确定性量化，并在与最先进方法之间展现出竞争性能。
引用
@article{arxiv.2512.08146,
title = {Uncertainty quantification for mixed membership in multilayer networks with degree heterogeneity using Gaussian variational inference},
author = {Fangzheng Xie and Hsin-Hsiung Huang},
journal= {arXiv preprint arXiv:2512.08146},
year = {2025}
}