Stochastic Step-wise Feature Selection for Exponential Random Graph Models (ERGMs)

要約

ソーシャル ネットワークの統計分析は、さまざまな科学分野にわたる複雑なネットワークの相互作用に関する貴重な洞察を提供します。
ただし、ネットワークの正確なモデリングは、計算負荷が高く、観察されたネットワークの依存関係を考慮する必要があるため、依然として困難です。
指数ランダム グラフ モデル (ERGM) は、内生変数を組み込むことでネットワークの依存関係を把握するためにソーシャル ネットワーク モデリングで使用される有望な手法として浮上しています。
それにもかかわらず、ERGM の使用には、非現実的で無意味なネットワーク構造を生成する ERGM 縮退の発生など、複数の課題が生じます。
これらの課題に対処し、コラボレーション ネットワークのモデリングを強化するために、ERGM 内の内生変数の選択に焦点を当てた新しいアプローチを提案し、テストします。
私たちの手法は、計算負荷を克服し、観察されたネットワーク依存関係への対応を改善し、それによってさまざまな科学分野におけるネットワーク現象のより正確で有意義な解釈を容易にすることを目的としています。
私たちは実証的なテストと厳密な分析を実施して、統計手法の進歩に貢献し、ネットワーク分析のための実践的な洞察を提供します。

要約(オリジナル)

Statistical analysis of social networks provides valuable insights into complex network interactions across various scientific disciplines. However, accurate modeling of networks remains challenging due to the heavy computational burden and the need to account for observed network dependencies. Exponential Random Graph Models (ERGMs) have emerged as a promising technique used in social network modeling to capture network dependencies by incorporating endogenous variables. Nevertheless, using ERGMs poses multiple challenges, including the occurrence of ERGM degeneracy, which generates unrealistic and meaningless network structures. To address these challenges and enhance the modeling of collaboration networks, we propose and test a novel approach that focuses on endogenous variable selection within ERGMs. Our method aims to overcome the computational burden and improve the accommodation of observed network dependencies, thereby facilitating more accurate and meaningful interpretations of network phenomena in various scientific fields. We conduct empirical testing and rigorous analysis to contribute to the advancement of statistical techniques and offer practical insights for network analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google