Consistent nonparametric estimation for heavy-tailed sparse graphs
我们研究了图子作为随机块模型的非参数推广,并展示了如何在这个框架下获得稀疏网络的紧表示估计。我们的算法和分析在几个方面超越了以前的工作。首先,我们放松了生成图子的有界性假设,转而处理任意可积图子,这样我们就可以处理度分布中具有长尾的网络。其次,再次激发现实世界中的应用,我们放松通常的假设,即graphon定义在单位区间,允许潜在的位置图,其中潜在的位置生活在一个更一般的空间,我们表征这些graphon和他们的底层位置空间的可识别性。我们分析了三种算法。首先是一个最小二乘算法,它给出了一个近似,我们证明是一致的所有平方可积的graphons,与最好的随机块模型近似生成graphon方面表示的错误。接下来,我们分析一个基于割范数的推广,它适用于任何可积图子(不一定是平方可积的)。最后,我们表明,基于度的聚类工作时,底层的度分布是无原子的。与前两个算法不同,第三个算法在多项式时间内运行。
2016-02-24 math.PR math.ST stat.TH
Parameter estimation for graphon-interacting particle systems from discrete observations
Universitat Pompeu Fabra(庞佩法布拉大学);Barcelona School of Economics(巴塞罗那经济学院);University of Padova(帕多瓦大学)
本文针对图论加权平均场框架下异质粒子系统,提出基于伪似然的对比函数,在离散观测下联合估计漂移和扩散系数,证明估计量的一致性和渐近正态性。
2026-09-21 math.PR math.ST stat.TH
Rate-optimal graphon estimation
网络分析正成为统计学中最活跃的研究领域之一。近年来,网络分析的理论、方法和算法的发展取得了重大进展。然而,对最优估计的基础研究却很少。本文建立了图子估计的最优收敛速度。对于$k$簇的随机块模型,我们证明了在均方误差下的最优速率是$n^{-1}\log k+k^2/n^2$。极大极小上界通过求解二次方程的技巧改进了文献中已有的结果。当$k\leq\sqrt{n\log n}$时,随着集群$k$数量的增长,极大极小化率缓慢增长,仅具有对数阶$n^{-1}\log k$。建立下界的一个关键步骤是构造一个新的参数空间的子集,然后应用Fano引理,从中我们看到了一个明显的区别,从经典的非参数回归,由于缺乏可识别的节点的顺序在可交换的随机图模型的非参数图子估计问题。作为一个直接的应用,我们考虑非参数graphon估计的Hölder类光滑$α$。当光滑$α\geq1$时,最优收敛速度是$n^{-1}\log n$,与$α$无关,而对于$α\in(0,1)$,速度是$n^{-2α/(α+1)}$,令人惊讶的是,这与经典的非参数速度相同。
2015-11-17 math.ST stat.TH
Rates of Convergence of Spectral Methods for Graphon Estimation
Krannert School of Management, Purdue University(普渡大学克兰纳特管理学院)
本文研究了网络的生成机制--grahpon模型的估计问题。图子估计在许多应用中出现,例如预测网络中的缺失链接和在推荐系统中学习用户偏好。图子模型处理$n$顶点的随机图,使得每对两个顶点$i$和$j$以概率$ρ\times f(x_i,x_j)$独立地连接,其中$x_i$是顶点$i$的未知$d$维标签,$f$是未知对称函数,并且$ρ$是表征图稀疏性的缩放参数。最近的研究已经确定了极小极大错误率估计的graphon从一个单一的实现的随机图。然而,存在着一个很大的差距之间的已知的错误率的计算有效的估计程序和极小极大最优错误率。在这里,我们分析了谱方法,即通用奇异值阈值(USVT)算法,在相对稀疏的制度与平均顶点度$nρ=Ω(\log n)$。当$f$属于Hölder或Sobolev空间且光滑度为$α$时,我们证明了USVT的错误率至多为$(nρ)^{ -2 α/ (2α+d)}$,随着$α$的增加,USVT的错误率接近于$d=1$的极小极大最优错误率$\log (nρ)/(nρ)$.当$f$是解析的时,我们证明了USVT的错误率至多为$\log^d (nρ)/(nρ)$。在$k$块的随机块模型的特殊情况下,USVT的错误率至多为$k/(nρ)$,它比极小极大最优错误率至多大一个乘法因子$k/\log k$。这与观察到的社区检测的计算差距相吻合。我们分析的一个关键步骤是使用图子函数$f$的…
2017-09-10 cs.LG cs.SI math.ST
Learning Graphon Autoencoders for Generative Graph Modeling
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Tencent AI Lab(腾讯人工智能实验室)
图子是一种非参数模型,它可以生成任意大小的图,并且可以很容易地从图中导出。基于此模型,我们提出了一个新的算法框架称为\textit{graphon autoencoder},建立一个可解释和可扩展的图生成模型。该框架将观察到的图作为函数空间中的诱导图子,并通过聚合切布雪夫图子过滤器的编码器导出其潜在表示。线性图子分解模型作为解码器,利用潜在表示来重建诱导图子(以及相应的观察图)。我们开发了一个有效的学习算法来学习编码器和解码器,最小化模型和数据分布之间的Wasserstein距离。该算法以不同图子条件下的图分布的KL散度为基础距离,得到了一个奖励增强的极大似然估计。图子自动编码器提供了一种新的图形表示和生成方法,具有良好的通用性和可移植性。
2021-05-29 cs.LG cs.SI stat.ML
Leave-One-Out Neighborhood Smoothing for Graphons: Berry--Esseen Bounds and Edge-Wise Confidence Intervals
University of Cincinnati(辛辛那提大学)
本文提出留一法邻域平滑方法,通过解耦邻域选择与边平均,恢复条件独立性,从而实现对图ons中单个边概率的置信区间估计和诚实调参。
2026-10-29 stat.ME
EM-Based Smooth Graphon Estimation Using Bayesian and Spline-Based Approaches
本文提出了一种利用期望最大化算法的原理对网络数据分析中的光滑图子模型进行估计的方法。该方法既考虑了网络节点排序的变异性,又考虑了非参数回归对图子的平滑估计。为此,使用(线性)B样条,其允许以节点排序为条件的图子的平滑估计。这提供了M步骤。从图子模型中产生的节点的真实排序仍然是不可观察的,贝叶斯思想被用来获得给定网络数据的后验样本。这产生了E步骤。结合这两个步骤给出了一个基于EM的方法来估计光滑图子。与其他方法不同,该方法不需要对单调边缘函数进行限制。建议graphon估计允许探索节点排序策略,因此比较常见的度为基础的节点排名与网络上的排序条件。考虑到使用MCMC技术的可变性和不确定性。实例和模拟研究支持的方法的适用性。
2021-09-15 stat.ME
Stochastic Block Smooth Graphon Model
本文提出了随机块模型与光滑图子模型的结合。第一个允许将网络中的个体集合划分为块,这些块表示可能等价连接随机网络的节点组,因此通常也称为社区。平滑图子模型则假设网络的节点可以在一维尺度上排列,使得紧密度意味着类似的连通性行为。这两个模型都属于节点特定的隐变量的模型类,从而产生了自然的关系。虽然这些模型链或多或少完全独立地发展,本文提出了他们的推广随机块光滑图子模型。这种方法能够利用两个世界的优势。我们追求一个通用的EM型算法估计和证明的可用性,通过应用模型模拟和现实世界的例子。
2022-03-24 stat.ME
Graphon estimation via nearest neighbor algorithm and 2D fused lasso denoising
我们提出了一类基于利用与非参数回归的连接的图子估计方法。其思想是构建网络中节点的排序,类似于Chan和Airoldi(2014)。然而,与Chan和Airoldi(2014)中仅考虑基于经验度的排序不同,我们使用最近邻算法,这是旅行商问题的近似解决方案。这反过来又可以处理节点之间的一般距离$\hat{d}$,这使我们能够整合网络的丰富信息。一旦构建了一个排序,我们就制定了一个2D网格图去噪问题,我们通过融合套索正则化来解决这个问题。对于特定的选择的度量$\hat{d}$,我们表明,相应的两步估计可以达到竞争率时,真正的模型是随机块模型,当底层graphon是分段Hölder或它有界变化。
2019-06-18 stat.ME
Bootstrap estimators for the tail-index and for the count statistics of graphex processes
Graphex过程解决了传统随机图模型中的一些问题,特别是提供了既可投射又允许稀疏的模型。大多数关于graphex过程的文献从概率的角度研究它们。用于推断这些过程的参数的技术--所谓的\textit{graphon} --仍然是边缘性的;例外的是考虑参数化的图子族的一些论文。非参数估计仍然未被考虑。在本文中,我们提出了一个选定的选择泛函的graphon估计。我们的估计源自graphex过程的子抽样理论,因此可以被看作是一种形式的自助程序。
2021-01-04 math.ST stat.TH
Optimal Estimation and Completion of Matrices with Biclustering Structures
数据矩阵中的双聚类结构首先在John Hartigan(1972)的一篇开创性论文中正式化,其中试图同时聚类案例和变量。这种结构在网络的块建模中也很普遍。在本文中,我们开发了一个统一的理论估计和完成矩阵的双聚类结构,其中的数据是一个部分观察和噪声污染的数据矩阵具有一定的双聚类结构。特别是,我们表明,约束最小二乘估计实现最小最大速率最优性能在几个最重要的情况下。为此,我们得到统一的高概率上界的所有子高斯数据,并提供匹配的极大极小下界在高斯和二进制的情况下。由于图子与随机块模型的密切联系,我们的一般结果的直接后果是稀疏图子的极小极大率最优估计。
2018-10-22 math.ST stat.ML stat.TH
Low-Rank Graphon Learning for Networks
Tsinghua University(清华大学);Hong Kong Polytechnic University(香港理工大学)
本文提出利用低秩加法表示方法,实现低秩连接概率矩阵和低秩图核的联合估计,解决识别问题并高效计算。
2026-04-12 stat.ME
Decorated graphons for temporal network estimation
Institute of Mathematics, École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院数学研究所)
提出用装饰图子建模时间演化网络的统一非参数框架,开发两阶段估计程序分离时间建模与网络结构,建立非参数收敛速率,在模拟数据和医院接触网络上验证,为动态网络分析提供非参数基线。
2026-07-28 stat.ME
An empirical Bayes Approach to stochastic blockmodels and graphons: shrinkage estimation and model selection
图子(W-图),包括作为特例的随机块模型,已广泛应用于网络数据建模和分析。这种随机图模型的图子函数是一个很好的刻画,图子函数的估计是近年来的一个研究热点。大多数现有的工作集中在潜在空间的模型中的社区检测,而采用简单的极大似然或贝叶斯估计的graphon或连接参数给定的社区。在这项工作中,我们提出了一个分层二项模型,并开发了一个新的经验贝叶斯估计的随机块模型的连接矩阵来近似的图子函数。基于我们的分层模型的可能性,我们进一步引入了一个模型选择标准,用于选择社区的数量。大量的模拟和两个注释良好的社交网络的数值结果表明,我们的方法在估计精度和模型选择方面的优越性。
2021-09-05 stat.CO stat.ME
Graphon estimation beyond binary edges: inference for decorated graphs with applications to multiplex and weighted networks
Institute of Mathematics, École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院数学研究所)
提出用于带装饰图子的双重非参数估计方法,将经典图子估计技术扩展到丰富设置,推导收敛速度,经实验验证理论速度在有限样本中可实现,能同时扩展基于图子的推断到多重网络和属性图。
2026-07-28 cs.DM stat.ME
Graphon Estimation from Partially Observed Network Data
Indian Statistical Institute(印度统计研究所);Indian Institute of Technology, Kanpur(印度理工学院坎普尔分校)
我们考虑在没有观测到整个网络--只有一些重叠的子图--的情况下,估计由图子模型生成的网络的边概率矩阵。我们将Zhang等人(2017)的邻域平滑(NBS)算法扩展到这种缺失数据设置,并通过实验表明,对于各种各样的图子,扩展的NBS算法实现了比标准图子估计算法(如香草邻域平滑(NBS),通用奇异值阈值(USVT),块模型近似,矩阵完成,我们还表明,扩展的NBS算法是更强大的缺失数据。
2019-06-27 cs.LG stat.ME stat.ML
Stochastic blockmodel approximation of a graphon: Theory and consistent estimation
Harvard University(哈佛大学)
基于可交换图模型(ExGM)的网络数据非参数分析方法最近引起了人们的兴趣。定义ExGM的关键对象通常称为graphon。网络建模的这种非参数化的观点提出了一个具有挑战性的问题,即如何对观察到的网络数据的底层图进行推断。在本文中,我们提出了一个计算效率高的过程来估计一个图子从一组观察到的网络从它产生。这个过程是基于随机块模型近似(SBA)的图子。我们表明,通过近似的graphon与随机块模型,graphon可以一致地估计,也就是说,估计误差消失的大小的图接近无穷大。
2013-11-08 cs.LG cs.SI physics.data-an
Parametric Bootstrap for Fixed Edge-Probability Network Models
University of California, Davis(加州大学戴维斯分校)
针对Chung-Lu模型下的网络统计量不确定性量化问题,提出一种两层自助法以消除参数自助法的偏差,并构建更精确的置信区间。
2026-05-28 stat.ME
Distributed Cartesian Power Graph Segmentation for Graphon Estimation
UC Davis(加州大学戴维斯分校);UC Berkeley(加州大学伯克利分校)
本文研究了图像上的全变分去噪方法在笛卡尔幂图上的推广及其在非参数网络模型估计中的应用。功率图融合套索(PGFL)通过在行和列上利用已知的图形结构$G$来分割矩阵。我们的主要结果表明,对于任何连通图,在subGaussian噪声下,PGFL实现了相同的均方误差率为2D的有界变化的信号的全变分去噪。我们研究使用PGFL去噪观察到的网络$H$,在那里我们学习的图形$G$的$K$-最近的邻域图的估计度量的顶点。我们提供了理论和实证结果估计图子,非参数交换网络模型,并比较最先进的图子估计方法。
2018-05-25 cs.LG stat.ME stat.ML
Nonparametric regression for multiple heterogeneous networks
我们研究了在同一组节点上观察到多个不同网络的非参数方法。这样的样本可以以从公共分布中提取的复制网络的形式出现,或者以异构网络的形式出现,其中网络生成过程从一个网络到另一个网络是不同的,例如,动态和跨部门的网络。无向网络的非参数方法主要集中在图子模型的估计上。虽然图子模型考虑了节点的异质性,但它没有考虑网络的异质性,这是一个特定于观察到多个网络的应用程序的特性。为了解决多个网络的这种设置,我们提出了一个多图子模型,它允许节点级以及网络级的异构性。我们展示了如何利用来自多个网络的信息,通过标准的非参数回归技术,例如核回归,正交序列估计,使多graphon的估计。我们研究了所提出的估计建立恢复的潜在节点的位置可以忽略不计的误差,和收敛的多graphon估计的正态分布的理论性质。有限样本的性能进行了研究,在模拟研究和应用程序的两个现实世界的网络-一个动态的接触网络的蚂蚁和收集的结构脑网络从不同的主题-说明我们的方法的效用。
2020-01-14 stat.ME
Nonparametric estimation of time-varying network connections by multi-stage smoothing
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出多阶段平滑估计方法,用于估计时间变化网络的边概率,结合时间局部平滑和节点域平滑,通过模拟和实际数据验证其在捕捉时间演变和结构模式上的有效性。
2026-11-17 stat.ME stat.ML
Low-Complexity and Consistent Graphon Estimation from Multiple Networks
Sorbonne Université(索邦大学);AgroParisTech(巴黎高等师范学院农业学院)
本文提出了一种低复杂度的图on估计方法,通过联合对齐所有网络的节点,实现高精度估计,尤其在小规模和变大小网络数据集中表现优异,且计算效率更高。
2026-03-16 stat.ME stat.ML
Statistical inference for network samples using subgraph counts
我们认为网络是一个观察,观察到的网络的集合形成一个样本。在此设置中,我们提供了一些方法来测试网络样本中的所有观测是否都来自指定的模型。我们实现了这一点,推导出,在空的graphon模型,联合渐近性质的平均子图计数作为观察到的网络的数量增加,但在每个网络中的节点数仍然有限。在这样做时,我们不要求每个观察到的网络包含相同数量的节点,或者来自相同的分布。我们的研究结果产生联合置信区域的子图计数,因此方法测试是否在网络样本中的意见是从:一个指定的分布,一个指定的模型,或从同一个模型作为另一个网络样本。我们提出了模拟实验和一个说明性的例子,在一个样本的大脑网络,我们发现,高度创造性的个人的大脑呈现显着更短的周期。
2019-05-28 cs.SI stat.ME
Maximum Likelihood Estimation of Sparse Networks with Missing Observations
连接概率矩阵的估计是研究稀疏网络的关键问题之一。在这项工作中,我们考虑稀疏图子模型和非齐次随机图模型下产生的网络与丢失的观察。使用随机块模型作为参数代理,我们限制了网络连接概率的极大似然估计的风险,并证明了它是极小极大最优的。当风险以Frobenius范数度量时,在多项式时间内运行的估计器都不能达到这个问题的最小最大最优收敛速率。因此,极大似然估计是特别感兴趣的,因为在文献中已经提出了对它的计算有效的近似,并且经常在实践中使用。
2021-04-27 math.ST stat.TH
Dependencies in Multiplex Networks: A Motif Count Approach
EPFL(洛桑联邦理工学院)
本文提出基于动机计数的方法,用于估计和检验可交换多重网络中的依赖关系,通过扩展多层随机块模型网络直方图到任意动机计数,提供新的工具研究复杂网络中的高阶依赖。
2026-03-27 math.ST stat.TH
Towards Optimal Estimation of Bivariate Isotonic Matrices with Unknown Permutations
Yale University(耶鲁大学);UC Berkeley(加州大学伯克利分校)
许多应用,包括秩聚合、群标记和图子估计,可以根据具有作用于其行和/或列的未知排列的二元保序矩阵来建模。我们考虑的问题,估计一个未知的矩阵在这类中,基于噪声观测(可能是一个子集)的条目。我们设计和分析多项式时间算法,提高了两个不同的指标,特别是最小最大优化,计算效率的估计是在某些设置中实现的。一路上,我们证明了匹配的上限和下限的极小极大半径的某些锥测试问题,这可能是独立的利益。
2019-10-27 cs.IT cs.LG math.IT
Graphon-Level Bayesian Predictive Synthesis for Random Network
The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院);Yale University(耶鲁大学)
本文提出图核层面的贝叶斯预测合成方法,用于随机网络,证明其在最小最大L^2速率最优,并展示其在结构特性控制和厚尾理论方面的贡献。
2026-09-14 math.ST stat.ME stat.TH
Hybrid of node and link communities for graphon estimation
针对网络生成机制建模的分辨率限制问题,提出结合节点与链接社区的 stochastic shape model 进行 graphon 估计,通过多分辨率权衡偏差与方差实现速率最优,提供更简约可解释的多尺度网络结构表示。
2024-01-10 math.PR math.ST stat.ME
Joint Estimation of Edge Probabilities for Multi-layer Networks via Neighborhood Smoothing
Institute for Financial Studies, Shandong University(山东大学金融研究院);Southern University of Science and Technology(南方科技大学);School of Statistics and Data Science, Zhejiang Gongshang University(浙江工商大学统计与数据科学学院)
本文提出了一种多层网络边概率联合估计方法,通过引入额外的潜在层位置参数,开发了计算高效的两步邻域平滑算法,有效利用网络层和节点相似性,提升了链接预测性能。
2026-01-28 stat.ME
Estimation of dense stochastic block models visited by random walks
我们感兴趣的是恢复信息的随机块模型从子图发现的探索随机游动。随机块模型对应于被构造成有限数量的类型的群体,其中两个个体通过独立于其他对的边缘连接,并且概率取决于它们的类型。我们在这里考虑稠密的情况下,随机网络可以近似的graphon。这个问题的动机是从链转介调查的研究,每个受访者提供她/他在社交网络中的联系人的信息。首先,我们写出由随机游动发现的子图的似然性:由于枢纽和多数类型更有可能被采样,因此出现了偏差。即使在类型被观测的情况下,极大似然估计也不再是显式的。当顶点的类型是不可观察的,我们使用SAEM算法来最大化的可能性。其次,我们提出了一个不同的估计策略,使用新的结果Athreya和Roellin。它包括在去偏的最大似然估计在Daudin等人提出的。
2021-06-07 math.PR math.ST stat.ML
Consistent polynomial-time unseeded graph matching for Lipschitz graphons
The Ohio State University(俄亥俄州立大学)
我们提出了一个一致的多项式时间方法的非种子节点匹配问题的网络具有光滑的底层结构。尽管研究界广泛认为结构化图匹配问题比其最坏情况的对应问题要容易得多,众所周知是NP-难的,但该问题的统计版本仍然面临着挑战,即抵制任何可证明和多项式时间的解决方案。最接近的现有工作需要准多项式时间。我们的方法是基于最新进展的graphon估计技术和经验的瓦瑟斯坦距离的浓度分析。它的核心是一个简单而非传统的采样和匹配方案,将问题从非种子减少到种子。我们的方法允许灵活的效率,便于分析,并可能扩展到更一般的设置。我们的工作使丰富多样的后续估计和推断。
2018-07-29 cs.CC cs.LG math.ST
Online Centralized Non-parametric Change-point Detection via Graph-based Likelihood-ratio Estimation
Centre Borelli, ENS Paris-Saclay, Université Paris-Saclay(巴黎萨克雷大学巴黎萨克雷高等师范学院博雷利中心)
考虑图中的每个节点都要生成一个数据流,该数据流是同步的,并且可以近实时地观察到。在变化点$τ$,在节点$C$的子集处发生变化,这影响其相关联的节点流的概率分布。在本文中,我们提出了一种新的基于核的方法来检测$τ$和本地化$C$,基于直接估计的似然比之间的变化和变化前的节点流的分布。我们的主要工作假设是图上的似然比估计的平滑性,即期望连接的节点具有相似的似然比。所提出的方法的质量证明了广泛的实验合成的情况下。
2023-01-12 cs.LG stat.ML
Iterative Estimation of Mixed Exponential Random Graph Models with Nodal Random Effects
指数随机图模型(ERGM)中未观测到的节点特异性异质性的存在是一个普遍关注的问题,无论是关于模型的有效性以及估计的不稳定性。因此,我们扩展ERGM包括节点特定的随机效应,占未观察到的异质性网络。这导致了一个混合模型的参数以及随机系数,标记为混合ERGM。通过将随机效应的近似惩罚伪似然估计与模型中其余参数的极大似然估计相结合来进行估计。这种方法提供了一个稳定的算法,它允许适合节点的异质性影响,即使是大规模的网络。我们还提出了基于AIC的模型选择,以检查节点特定的异质性。
2021-12-23 stat.CO
Near-optimal node-private community estimation in polynomial-time
University of Cambridge(剑桥大学);ESSEC Business School(ESSEC高等商学院);Yale University(耶鲁大学)
研究解决Klopp和Zadik的开放问题,提出高概率多项式时间节点隐私算法,通过显式构造替代及接受-拒绝算法,在随机块模型中实现精确恢复,分析表明该算法在社区数量和隐私参数特定增长情况下能达极小极大率,匹配隐私成本下限。
2026-07-13 math.ST stat.ML stat.TH
Joint Estimation of Sparse Multilayer Networks via Graph Limits
West Virginia University(西弗吉尼亚大学);EPFL(洛桑联邦理工学院)
该研究针对含多类交互的网络数据集,提出基于图极限的多网络直方图联合估计器,利用层间共享潜在变量降低估计误差,经模拟和印度村庄网络应用验证了方法有效性。
2026-08-17 stat.ME
Connection Probabilities Estimation in Multi-layer Networks via Iterative Neighborhood Smoothing
Shandong University(山东大学);Zhejiang Gongshang University(浙江工商大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文提出MICE方法,通过迭代邻域平滑技术在多层网络中高效估计连接概率,理论和实证均证明其在复杂网络分析中的有效性。
2026-02-25 stat.ME
On clustering network-valued data
社区检测,其重点是聚类节点或检测社区(大多数)在一个单一的网络,是一个相当大的实际利益的问题,并已收到了大量的关注,在研究界。虽然能够在一个网络内进行集群很重要,但也出现了能够对多个网络进行集群的需求。这在很大程度上是由日常收集的网络数据,从潜在的不同人群产生的动机。这些网络可以具有或不具有节点对应关系。当节点对应存在时,我们通过其graphon估计总结网络来聚类网络,而当节点对应不存在时,我们提出了一种新的解决方案,通过将计算上可行的特征向量与每个网络相关联来聚类这些网络,基于邻接矩阵的幂的迹。我们使用模拟和真实数据集来说明我们的方法,并在一致性方面提供了理论依据。
2017-11-04 stat.ME stat.ML
On the Theoretical Properties of the Network Jackknife
本文研究了网络数据的一个节点退出刀切过程的性质。在稀疏图子模型下,我们证明了一个Efron-Stein型不等式,表明网络刀切导致保守估计的方差(期望)的任何网络功能,是不变的节点排列。对于一般的计数泛函,我们还建立了网络刀切的一致性。我们补充了我们的理论分析与一系列的模拟和真实数据的例子,并表明,网络刀切提供了竞争力的表现,在其他reserving方法是有效的情况下。事实上,对于几个网络统计数据,我们看到与子采样等相关方法相比,刀切法提供了更准确的推断。
2020-04-21 math.ST stat.ME stat.ML
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University(早稻田大学);Kyoto University(京都大学)
研究如何在存在未知混杂因素时估计二元治疗效果,基于图子估计文献提出邻域核平滑方法及共形推断方法,应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
Network Learning with Semi-relaxed Gromov-Wasserstein
EPFL, Institute of Mathematics(苏黎世联邦理工学院数学研究所);Lausanne, Switzerland(瑞士拉沃斯)
针对大规模网络生成机制估计中的节点标签缺失问题,提出半松弛Gromov-Wasserstein目标函数,通过概率耦合松弛分配问题,利用块坐标条件梯度算法求解,并证明松弛解与确定性分配的最优性差距以O(1/n)速率消失,实现随机块模型和Hölder光滑图模型的相合性与极小化最优收敛速率。
2026-06-01 cs.LG math.ST stat.ME