《监督和非监督机器学习策略下的军事联盟建模》225页

在建立国家间军事联盟模型时，学者们会做出简化假设。然而，大多数人都认识到这些经常被引用的假设过于简单。本论文利用监督和非监督机器学习的发展来评估这些假设的有效性，并研究它们如何影响对联盟政治的理解。本文发现的一系列发现有助于更好地理解联盟的原因和后果。

研究的第一个假设认为，当国家面临共同的外部安全威胁时，它们会结成联盟，汇聚军事实力，以增强自身安全，确保自身生存。外交史和安全研究领域的许多人批评了这一广为接受的 “能力聚合模型”，指出各国结盟的动机多种多样。在三篇文章中的第一篇中，介绍了一种无监督机器学习算法，旨在检测纵向网络中行为体如何形成关系的变化。这样，就能在第二篇文章中评估各国结盟的不同动机。研究发现，国家结成联盟是为了实现能力聚合之外的外交政策目标，包括巩固非安全关系和追求国内改革。

学者们在建立联盟与冲突之间关系的模型时会引用第二个假设，即常规假设联盟的形成与盟国之一受到攻击的概率无关。这与能力聚合模型（Capability Aggregation Model）的预期形成了鲜明对比，后者表明外部威胁和盟国对侵略者攻击的预期会影响结盟的决定。在最后一篇文章中，我研究了这一假设以及联盟与冲突之间的因果关系。具体来说，使用监督机器学习和广义联合回归模型（GJRMs）将冲突因果路径上的联盟内生化。结果质疑了对联盟与冲突关系的传统理解，即联盟既不会阻止冲突，也不会引发冲突。

自我-时间指数随机图模型（ego-TERGM）是一种有限混合模型，它试图检测更广泛的纵向网络中每个自我网络组成的异质性。其方法是根据一组 TERGM 参数的相似性将每个 egonetwork 分配到一个群组中。这是通过使用基于混合模型的 TERGM 参数有限聚类的无监督潜类模型来实现的。换句话说，ego-TERGM 试图根据每个纵向自我网络（TERGM 模型参数）的相似性，将纵向网络（自我）中的一组节点聚类到预先确定的时间不变类（簇）中。