技术摘要：用于时序网络估计的装饰图子 (Decorated Graphons)

问题陈述

高分辨率的时序网络数据（例如医院或学校中的接触网络）表现出复杂的、异质性的边缘动态特征，这些特征具有周期性（如昼夜循环）、记忆效应和变化的交互持续时间。现有的建模方法面临着一个根本性的权衡：

1. 动态随机块模型 (SBMs) 与潜在空间模型 (Latent Space Models)： 这些方法保留了节点可交换性 (node exchangeability)（确保在子采样下的连贯性以及图极限的存在性），但往往施加了限制性的时序假设，例如分段常数参数、时间步之间的条件独立性或预设的变点。
2. 连续时间与自回归模型： 这些模型可以捕捉细粒度的时序模式和传染效应，但通常会牺牲节点可交换性，并依赖于具有特定参数化规范的定制化渐近理论。

因此，该领域缺乏一个统一的非参数框架，能够同时保证节点可交换性、容纳丰富的时序结构（如记忆和周期性），并提供显式的非参数收敛速率。

方法论

作者提出了一种基于装饰图子（具体为 $2^\mathbb{N}$-graphons）的统一非参数框架。该方法通过为每对节点分配一个关于无限二进制序列的概率分布，而非单一的边概率，从而推广了静态图子。

模型构建

• 潜在结构： 节点与从均匀分布中独立同分布抽取的潜在坐标 $\xi_i \in [0,1]$ 相关联。
• 装饰边： 对于每一对 $(i, j)$，边过程通过从由对称函数 $W^*(\xi_i, \xi_j) \in \mathcal{P}(2^\mathbb{N})$ 定义的分布中采样一个无限二进制序列 $A_{ij} = (A_{ij}^{(1)}, A_{ij}^{(2)}, \dots)$ 来生成。
• 可交换性： 图序列的联合分布在节点置换下是不变的，满足全局可交换性。
• 条件独立性： 在给定潜在变量的情况下，边过程是条件独立的。该模型并未显式建模边之间的三元闭合 (triadic closure) 或反馈效应，而是完全依赖潜在变量来诱导相关性。

两阶段估计程序

该估计策略将时序建模与网络结构解耦：

1. 第一阶段（边级估计）： 对每个观测到的边序列 \{A_{ij}^{(t)}\}_{t=1}^T} 进行灵活的参数化模型拟合（例如伯努利速率、马尔可夫核或自回归过程）。这产生了一个边级参数摘要 $\lambda_{ij} = \Lambda(A_{ij})$，其中 $\Lambda$ 是一个确定性的估计器函数。
   • 要求： 估计器 $\Lambda$ 必须满足温和的正则性条件（假设 3），具体而言，其估计误差应为亚高斯 (sub-Gaussian) 且偏差是有界的。
2. 第二阶段（网络结构估计）： 将摘要 $\{\lambda_{ij}\}$ 进行聚合以估计底层的装饰图子。这是通过分块最小二乘法 (blockwise least squares) 实现的：
   • 将节点聚类为 $k$ 个组。
   • 通过最小化观测摘要 $\lambda_{ij}$ 与模型参数 $Q_{z(i)z(j)}$ 之间的平方距离，来估计对称矩阵形式的块参数 $Q \in \mathcal{X}^{k \times k}$。
   • 这实际上是在估计出的边统计量之上拟合了一个随机块模型。

核心贡献

1. 理论框架

本文确立了任何节点可交换的离散值图序列都可以表示为 $2^\mathbb{N}$-图子。这为动态网络提供了一个连贯的非参数极限对象，架起了静态图极限与时序动态之间的桥梁。

2. 收敛速率

作者推导了估计量 $\hat{\theta}$（估计的块参数）在两种机制下的非参数收敛速率：

• 块模型机制 (Block-Model Regime)： 对于真实的 $k$-块模型，均方误差缩放为：
  $$\frac{1}{n^2} \sum_{i,j} \|\hat{\theta}_{ij} - \theta_{ij}\|_X^2 \leq C \left[ \psi^2 \left( \frac{k^2}{n^2} + \frac{\log k}{n} \right) + \beta^2 \right]$$
  其中 $\psi^2$ 代表边级估计器的方差（对于伯努利过程，随 $1/T$ 缩放），$\beta$ 代表偏差。
• Hölder 光滑机制 (Hölder-Smooth Regime)： 对于光滑图子 $W \in H^\alpha(M)$，速率为：
  $$\frac{1}{n^2} \sum_{i,j} \|\hat{\theta}_{ij} - \theta_{ij}\|_X^2 \leq C \left( (1+\psi^2)n^{-2\alpha/(\alpha+1)} + \psi^2 \frac{\log n}{n} + \beta^2 \right)$$
  作者证明，对于 $\alpha < 1$，即使存在时序复制，该速率在以节点为中心的组件上也是极小极大最优 (minimax optimal) 的。

3. 模块化与通用性

该框架在时序动态方面具有“即插即用”的特性。只要边过程属于具有渐近一致估计器（满足假设 3）的参数族，即可进行集成。论文明确展示了其适用于：

• 伯努利过程： 其中 $\lambda_{ij}$ 是经验均值。
• $M$ 阶马尔可夫链： 其中 $\lambda_{ij}$ 是经验转移概率矩阵。理论考虑了混合时间 (mixing times) 和平稳分布界限。
• 周期性时变链： 通过扩展状态空间以包含时间相位来进行处理。

结果与实证说明

模拟数据

• 带有马尔可夫链的连续图子： 在由连续 2-马尔可夫链图子生成的合成数据上的实验表明，随着节点数 ($n$) 和时间步数 ($T$) 的增加，估计的转移热图收敛于真实的图子。误差随 $n$ 和 $T$ 减小，但对于固定的 $n$，其受限于非参数近似误差 ($n^{-2\alpha/(\alpha+1)}$)。
• 带有 BALARM 过程的块模型： 使用由 3-块 BALARM 模型 (Süveges & Olhede, 2023) 生成的数据，该方法即使在真实的平滑度或块数未知的情况下，也能通过贝叶斯信息准则 (BIC) 和层次 BIC 成功恢复真实的块数 ($k=3$)。

真实数据：医院接触网络

该方法应用于来自医院病房的高分辨率接触网络（46 名医护人员，29 名患者，持续 4 天）。

• 设置： 数据以 15 分钟间隔进行聚合。拟合了一个带有一阶周期性马尔可夫链的 3-块装饰 SBM。
• 发现： 模型恢复了三个潜在的节点社区，这些社区与职业角色（行政/医疗、护士、患者）相一致。
• 时序模式： 估计的时变接触概率揭示了明显的每日节律：
  • 行政/医疗： 早晨出现尖峰。
  • 护士-护士： 全天保持较高的概率。
  • 患者-护士/患者-患者： 双峰节律，分别在早晨查房和晚班交接班时出现峰值。
• 对比： 结果与 Süveges 和 Olhede (2023) 识别出的六个边组一致，但提供了更精细的日内细节，并捕捉到了平滑参数模型可能错过的概率跳跃。

重要性与主张

本文将装饰图子框架定位为动态网络分析中的非参数基准。其主要意义在于：

1. 调和可交换性与动态性： 它在不牺牲建模复杂时序依赖（如记忆和周期性）的能力下，实现了节点可交换性。
2. 显式的收敛保证： 不同于许多动态网络模型，该框架提供了依赖于网络规模 ($n$) 和观测时间窗口 ($T$) 的显式非参数收敛速率。
3. 模块化： 通过将边级的时序估计与网络结构恢复分离，该方法允许研究人员利用先进的时序模型（如高阶马尔可夫链），而无需改变网络估计阶段的理论保证。

作者承认了局限性：该模型假设在给定潜在变量的情况下边是条件独立的（排除了显式的三元闭合），并且要求边过程是可估计的，且具有有界的偏差和方差。然而，他们认为这种限制对于提供一个定义良好的非参数极限和收敛保证是必要的，而目前更复杂的、完全耦合的动态模型尚缺乏此类保证。