SIMPLE: Statistical Inference on Membership Profiles in Large Networks
网络数据在许多当代大数据应用中普遍存在,其中的共同兴趣是揭示不同节点对之间重要的潜在链接。然而,一个简单的基本问题,即如何精确地量化与识别潜在联系相关的统计不确定性,仍然在很大程度上未被探索。在度修正的混合成员关系模型下,提出了大型网络成员关系剖面的统计推断方法(SIMPLE),其中原假设假设节点对共享相同的社区成员关系剖面.在更简单的情况下,没有程度的异质性,该模型减少到混合隶属度模型,也提出了一种替代更强大的测试。这两种检验都是基于经验特征向量或其比值行的Hotelling型统计量,其渐近协方差阵的推导和估计非常具有挑战性。给出了它们的解析表达式,并对未知的协方差阵进行了一致估计.在较弱的正则条件下,分别建立了原假设和邻接备择假设下两种形式的SIMPLE检验统计量的精确极限分布.它们分别是卡方分布和非中心χ 2分布,其自由度取决于是否校正。我们还解决了重要的问题,估计未知数的社区和建立相关的检验统计量的渐近性质。我们的新程序的优点和实际效用的大小和功率方面的证明,通过几个模拟的例子和实际的网络应用。
2021-08-29 math.ST stat.ME stat.ML
Affiliation networks with an increasing degree sequence
隶属网络是一种由两组不同的节点(一组行动者和一组社会事件)和代表行动者与社会事件之间隶属关系的边组成的双模社会网络。虽然许多统计模型被提出来分析联系网络,估计量的渐近行为仍然是未知的或没有得到适当的探讨。本文研究了指数族分布中度序列为唯一自然充分统计量的联系模型。当参与者和事件的个数都趋于无穷大时,我们建立了极大似然估计的一致相合性和渐近正态性。仿真研究和一个实际数据的例子证明了我们的理论结果。
2017-02-07 math.ST stat.ME stat.TH
Using bootstrap for statistical inference on random graphs
在本文中,我们提出了一种新的非参数网络推理方法,可以看作是一个融合的块采样程序的时间和空间依赖的过程与经典的网络方法。在未知度分布的假设下,我们使用“拼凑”样本和非参数自举法来估计和量化网络平均度的不确定性。我们调查的渐近性质,建议拼凑引导程序和交叉验证方法选择最佳的补丁大小。我们在具有短尾和长尾平均度分布的模拟网络上验证了新的拼接引导,并重新审视了ErdOS协作数据来说明所提出的方法。
2015-01-18 stat.AP
The maximum likelihood degree of mixtures of independence models
最大似然度(ML度)度量统计学中基本最优化问题的代数复杂性:极大似然估计。在这个问题中,一个最大化的似然函数的统计模型。模型的ML度是似然函数的局部极值数目的上界,并且可以表示为欧拉示性数的加权和。众所周知,独立模型(即概率单纯形上的秩为1的矩阵)具有ML度为1,这意味着它们是似然函数的唯一局部最大值。然而,对于独立模型的混合(即概率单纯形上的秩为2的矩阵),ML度如何表现是一个悬而未决的问题。本文利用欧拉示性数证明了第一作者Hauenstein和Sturmfels提出的一个著名猜想,给出了独立混合模型ML度的递归表达式和封闭形式表达式.
2017-02-10 math.AG math.AT math.ST
Dimension Reduction in Statistical Estimation of Partially Observed Multiscale Processes
我们考虑部分观测的多尺度扩散模型,指定到一个未知的向量参数。我们建立了一个非常一般的一类检验函数,过滤器的原始模型收敛到一个过滤器的减少的维度。然后,这个结果被用来证明统计估计的未知参数的基础上减少的维度,但使用原始的可用数据的模型。这允许在较低维度下工作时学习感兴趣的未知参数,而不是使用原始的高维系统。仿真研究支持并说明了理论结果。
2017-11-26 math.PR math.ST q-fin.ST
Optimal hypothesis testing for stochastic block models with growing degrees
本文考虑在图的平均度随图的大小n而增长的渐近状态下检验Erdos-Renyi随机图模型与随机块模型。我们的主要兴趣在于那些情况下,其中的信噪比是在一个恒定的水平。针对对称的两块择一问题,首先在零择一和局部择一假设下,得到了适当重标度图邻接矩阵的幂函数线性谱统计量的联合中心极限定理.线性谱统计中的功率被允许与图的大小一起增长到无穷大。此外,我们发现,线性谱统计的切比雪夫多项式是密切相关的签署周期的增长长度,确定的渐近似然比检验的假设检验问题的兴趣。这使我们能够构建一个序列的测试统计量,达到确切的最佳渐近功率内$O(n^3 \log n)$时间复杂度在连续制度时,$n^2 p_{n,av}^3 \to\infty$其中$p_{n,av}$是平均连接概率。我们进一步提出了一类自适应测试,计算上易于处理,完全数据驱动。他们实现了非平凡的权力,在连续制度和一致性的奇异制度时,$n p_{n,av} \to\infty$。这些测试仍然是强大的替代品时,成为一个更一般的随机块模型,两个以上的块。
2017-08-10 cs.SI math.PR math.ST
Adjusted chi-square test for degree-corrected block models
提出了度校正随机块模型的拟合优度检验方法。该检验基于用于测量具有$d_1,\dots,d_n$观测值的$n$多项分布组间均值相等性的调整卡方统计量。在网络模型的上下文中,多项式的数量$n$的增长速度远远快于观测的数量$d_i$,对应于节点$i$的度,因此设置偏离了经典的渐近性。我们表明,一个简单的调整,允许统计收敛分布,在零下,只要调和平均值的$\{d_i\}$增长到无穷大。当按顺序应用时,该测试也可用于确定社区的数量。该测试在邻接矩阵的压缩版本上操作,以度为条件,因此可高度扩展到大型稀疏网络。我们采用了一种新的想法,压缩行的基础上$(K+1)$社区分配时,测试$K$社区。这种方法在不牺牲计算效率的情况下增加了顺序应用程序的功率,我们证明了它在恢复社区数量方面的一致性。由于检验统计量不依赖于特定的替代方案,因此其实用性超出了序贯检验,可用于同时检验DCSBM系列之外的各种替代方案。特别是,我们证明了测试是一致的,对一般家庭的潜变量网络模型与社区结构。
2022-09-22 cs.SI math.ST stat.ML
Counterexamples to the Low-Degree Conjecture
Hopkins(2018)的一个猜想假设,对于某些高维假设检验问题,没有多项式时间算法可以优于所谓的“简单统计”,这是数据中的低次多项式。这一猜想形式化了围绕最近一系列工作的信念,这些工作试图通过低度似然比来理解计算与计算的权衡。在这项工作中,我们反驳了霍普金斯的猜想。然而,我们的反例至关重要地利用了猜想中使用的噪声算子的细节,我们指出了一个简单的方法来修改猜想,以排除我们的反例。我们还给出了一个例子,说明(即使经过上述修改),在猜想中的对称性假设是必要的。这些结果并没有破坏计算下限的低度框架,而是旨在更好地理解它适用于哪类问题。
2020-04-17 cs.CC cs.DS stat.ML
Tail inference using extreme U-statistics
当U-统计量的核具有很高的度,但仅依赖于其通过少量顶顺序统计量的参数时,出现极端U-统计量。随着U-统计量的核度随着样本量的增大而增大到无穷大,由这样的统计量构建的估计量形成了介于极值分析中的块极大值和超过阈值的峰值框架中构建的估计量之间的中间族。建立了基于位置-尺度不变核的极值U统计量的渐近正态性。虽然渐近方差与哈耶克投影的方差一致,但证明超出了考虑Hoeffding方差分解中的首项。我们提出了一个内核依赖于三个最高的顺序统计量导致的位置尺度不变估计的极值指数类似的Pickands估计。这种极端的Pickands U-估计是渐近正态的,其有限样本性能与伪最大似然估计是竞争的。
2023-01-06 math.ST stat.TH
Hub Neighbor-Degree Diagnostics for Sparse Random Graphs
Shanghai Center for Mathematical Sciences, Fudan University(复旦大学上海数学中心);Shanghai Academy of Artificial Intelligence for Science(上海人工智能研究院)
针对稀疏随机图的中心节点邻域度开发诊断统计量,转化为拟合优度检验,经模拟及高中接触、arXiv合著等网络验证,可区分模型误设与残留邻域趋势。
2026-07-30 math.ST stat.TH
On high-frequency limits of $U$-statistics in Besov spaces over compact manifolds
本文给出了紧致黎曼流形上由小波系数构造的任意次Poisson基$U$ -统计量的高频中心极限定理的定量界.这里考虑的小波是所谓的针状波,其特征在于强浓度特性和精确的重建公式。此外,我们考虑了流形上的Poisson点过程,使得与其控制测度相关的密度函数存在于Besov空间中。本文的主要研究结果包括新的收敛速度,强烈依赖于程度的规律性的控制措施的基本泊松点过程,提供了一个精细的理解之间的连接规律性和收敛速度在这个框架。
2016-07-27 math.ST stat.TH
Asymptotics in directed exponential random graph models with an increasing bi-degree sequence
虽然基于度序列的无向网络模型的渐近分析在最近的文献中已经开始出现,但研究有向网络模型的统计性质仍然是一个开放的问题。在本文中,我们首次提供了严格的分析,有向指数随机图模型使用的入度和出度的充分统计量与二进制以及连续加权边。当参数个数增加且只有一个图的可实现观测时,我们建立了最大似然估计的一致相合性和渐近正态性。证明中的一个关键技术是用一个简单的矩阵高精度地近似Fisher信息矩阵的逆。数值研究证实了我们的理论发现。
2016-01-12 math.ST stat.TH
On a family of test statistics for discretely observed diffusion processes
我们考虑在离散时间观察到的多维遍历扩散过程的参数假设检验。我们提出了一个家庭的检验统计量,相关的所谓的$ϕ$发散措施。考虑到研究随机微分方程的拟似然方法,证明了这类检验都是渐近分布自由的。换句话说,我们的检验统计量弱收敛于卡方分布。此外,我们的检验统计量进行了比较,准似然比检验。在相邻的替代品的情况下,也可以详细研究测试的幂函数。虽然在这个家庭中的所有测试是渐近等价的,我们表明,在小样本的情况下,测试的性能严格取决于选择的功能$ϕ$的Monte Carlo分析。此外,在这个框架中,模拟表明,不存在一致最大功效检验。
2011-11-11 math.PR math.ST stat.TH
Notes on Computational Hardness of Hypothesis Testing: Predictions using the Low-Degree Likelihood Ratio
这些笔记调查和探索一种新兴的方法,我们称之为低度方法,用于预测和理解高维推理问题中的计算与计算权衡。简而言之,该方法假定某个量--低阶似然比的二阶矩--可以洞察解决给定的假设检验问题需要多少计算时间,这反过来又可以用来预测各种统计推断任务的计算难度。虽然这种方法起源于凸规划的平方和(SoS)层次结构的研究,我们提出了一个独立的介绍,不需要知识的SoS。除了展示如何使用该方法进行预测外,我们还讨论了这些预测的严格和非理性后果。这些注记包括一些新的结果、简化的证明和改进的图解。例如,我们指出了一个正式的连接之间的谱方法和低程度的似然比,我们给了一个尖锐的低程度的下界对次指数时间算法的张量PCA。
2019-07-26 cs.CC cs.DS math.ST
A note on Maximum Likelihood Estimation for cubic and quartic canonical toric del Pezzo Surfaces
本文重点研究了复曲面代数统计模型,它对应于复曲面Del Pezzo表面与杜瓦尔奇。本文给出了代数统计模型的最大似然估计的一个封闭形式,它对应于具有Du Val奇点的三次和四次复曲面Del Pezzo曲面。此外,我们还计算了ML度的一些复曲面Del Pezzo表面的程度小于或等于6,这等于在所有的情况下,但表面的程度,即五次与类型$\mathbb{A}_1$的两个点。
2017-11-13 math.AG math.ST stat.TH
Determining the Number of Communities in Degree-corrected Stochastic Block Models
本文提出了基于伪似然比统计量的度校正随机块模型中社区数的估计。为此,我们介绍了一种方法,结合谱聚类与二进制分割。当模型过拟合时,这种方法保证了伪似然比统计量的上限。当模型欠拟合时,我们也得到了它的极限分布。基于这些性质,我们建立了我们的估计的真实社区数的一致性。开发这些理论属性需要平均度的温和条件-以不低于log(n)的速度增长,其中n是节点的数量。我们所提出的方法进一步说明了仿真研究和现实世界的网络分析。数值结果表明,当网络为半稠密网络时,该方法具有令人满意的性能。
2019-07-30 stat.ME