論文の概要: Linear regression with probabilistic networks for network-linked data
- arxiv url: http://arxiv.org/abs/2610.18937v1
- Date: Tue, 13 Oct 2026 12:34:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.72907
- Title: Linear regression with probabilistic networks for network-linked data
- Title（参考訳）: ネットワークリンクデータに対する確率的ネットワークを用いた線形回帰
- Abstract要約: 両機能を組み込んだ確率的ネットワークリンク型データ分析フレームワークを提案する。
2段階の確率プロシージャがまずネットワーク構造を推定し、次に応答モデルに適合する。
外交ネットワークデータの解析は、その実用性を示している。
- 参考スコア（独自算出の注目度）: 2.3049380625910945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network-linked data combine a network with covariates and responses observed for its nodes. Common regression approaches either model dependence among neighboring responses using the observed network or capture similarities associated with network structure without explicitly modeling response dependence. We propose a probabilistic network-linked data analysis framework that incorporates both features while accounting for randomness in network formation. The model uses normalized connection probabilities to weight peer responses and latent positions to capture network cohesion. A two-step likelihood procedure first estimates the network structure and then fits the response model. We establish theoretical guarantees for network recovery in sparse networks with heterogeneous node effects, and prove consistency and joint asymptotic normality of the regression estimators subject to suitable conditions. The analysis also clarifies when estimating the network preserves the classical convergence rate for spatial autoregressive models. Simulation studies demonstrate the estimation performance of the method and assess its inference accuracy. An analysis of diplomatic network data illustrates its practical application.
- Abstract（参考訳）: ネットワークリンクされたデータは、ネットワークと、そのノードで観測された共変量と応答を組み合わせる。
一般的な回帰手法は、観測されたネットワークを用いて、近隣の応答間のモデル依存をモデル化するか、あるいは、応答依存を明示的にモデル化することなく、ネットワーク構造に関連した類似性をキャプチャする。
本稿では,ネットワーク形成におけるランダム性を考慮した確率的ネットワークリンクデータ分析フレームワークを提案する。
このモデルは、正常化された接続確率を用いて、ピア応答と潜在位置を重み付け、ネットワークの凝集を捕捉する。
2段階の確率プロシージャがまずネットワーク構造を推定し、次に応答モデルに適合する。
我々は不均一なノード効果を持つスパースネットワークにおけるネットワーク回復の理論的保証を確立し、適切な条件下での回帰推定器の整合性および共同漸近正規性を証明する。
この分析は、空間自己回帰モデルに対する古典的収束率を保存するネットワークを推定するときも明らかにする。
シミュレーション研究は,提案手法の評価性能を実証し,その推定精度を評価する。
外交ネットワークデータの解析は、その実用性を示している。
関連論文リスト
- ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。
本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。
我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
論文 参考訳（メタデータ） (2026-02-09T18:54:18Z) - Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Conformal Prediction for Network-Assisted Regression [4.680225499436733]
ネットワーク解析における重要な問題は、両方のネットワーク共変量を用いてノード属性を予測することである。
ネットワークアナログは, 弱い結合交換可能性仮定の下で, 広範囲のネットワーク共変量に対して有限の妥当性を達成できることを示す。
これらの手法は、シミュレーションネットワークと引用ネットワークデータセットの両方で説明される。
論文 参考訳（メタデータ） (2023-02-20T16:58:16Z) - Signed Network Embedding with Application to Simultaneous Detection of
Communities and Anomalies [25.541992448747695]
本稿では,ネットワーク間のバランス構造と異常な影響を解消するために,符号付きネットワークの統一的な埋め込みモデルを開発する。
提案モデルでは,低位+スパース行列分解によるバランス構造と異常効果の両方を捉える。
また, 組込みモデルの利点は, 合成ネットワークと国際関係ネットワークの双方において, 広範な数値実験によって実証される。
論文 参考訳（メタデータ） (2022-07-08T03:58:56Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。