本文介绍了一种基于大偏差逼近的理论分析指数随机图模型的方法，并给出了这些模型中观察到的退化现象的严格证明。

Feb, 2011

通过选择内生变量来改善指数随机图模型，增加计算负担并改善观察到的网络依赖性，从而在各个科学领域中提供更准确和有意义的网络现象解释。

Jul, 2023

本文主要介绍了在分析网络数据方面，指数随机图模型（ERGM）与参数估计方面的问题，提出了基于参数重抽样的参数伪最大似然估计方法（bootstrapped MPLE），与 Monte Carlo 最大似然估计（MCMLE）方法相比，其在保证准确性的同时能够减少计算时间，同时提高了置信区间的覆盖概率。

Aug, 2017

该研究重新考虑了与计算最大似然估计困难有关的问题，并将其应用于分析指数随机图模型。该研究揭示了离散指数族分布与凸支撑的正规扇形之间的重要关系，这对于理解 ERG 模型的性质和行为至关重要。

Dec, 2008

本文考虑了在一种成对图模型中，每个节点的条件分布都属于指数族分布这样一种参数调整问题。该文章证明了参数空间的限制条件以及基于邻域选择方法对于高维数据下的图重建方法的相容性，同时提出了在处理不同参数形式的情况下如何选择节点间边的问题，并举出高斯分布，伯努利分布，泊松分布和指数分布等实例验证了理论发现。

Nov, 2013

本文综述了最近一些研究，通过对随机图的扩展，纠正了其在实际网络中缺乏群聚性和非泊松度分布的缺陷，并将其应用于网络鲁棒性和流行病传播问题。

Feb, 2002

本文提出了一种基于随机游走的网络表征学习技术，使用指数族分布来捕捉节点之间的丰富交互模式，并研究了该模型的三个具体实例，实验结果表明该技术在两个下游机器学习任务中胜过基线方法。

Nov, 2019

本文提出了一些标准网络模型的概括，包括随机网络、配置模型和随机块模型，将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制，并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态，以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构，我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。

Jul, 2016

该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图，并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明，该方法在现实世界的网络图上具有高效性。

Aug, 2022

通过结合 Stein 方法和 MCMC 的 Markov 动力学，使用估计的 Stein 算子的 Glauber 动力学生成高分布相似性 (高保真度) 和高样本多样性的图生成模型。

Mar, 2024