普拉卡什·巴拉昌德兰;埃里克·D·科拉克。;韦斯顿·D·维尔斯。 关于大型网络中低速率测量误差对子图计数的传播。 （英语） Zbl 1440.62226号 J.马赫。学习。物件。 18（2017-2018），第61号论文，33页（2017）. 摘要：我们在本文中的工作受到了一个统计观察的启发，该观察是一个基本的并且与实际网络分析广泛相关的统计观察，即通过一些估计图（{G}=（V，E））逼近某个真实图（G=（V）时的不确定性\)表现为我们对顶点对之间存在/不存在边的认识中的错误，这必然会传播到我们寻求的网络摘要的任何估计。由于使用插件估计值（eta（\hat{G}）\）作为\（\eta（G）\）的代理的常见实践，我们的重点是描述差异分布的问题，在这种情况下，\（\ta（\cdot）\）是一个子图计数。具体来说，我们研究了兴趣统计量为（|E|\），即（G\）中的边数的基本情况。本文的主要贡献是表明，在具有低速率测量误差的大型图的经验相关设置中，当误差独立或弱相关时，（D_E=|\hat{E}|-|E|\）的分布很好地刻画为Skellam分布。在独立误差的假设下，我们能够进一步证明这种特性严格优于适当正态分布的条件。这些结果来源于我们对一般结果的公式化，量化了两个相依伯努利随机变量之和的差可以通过两个独立泊松随机变量的差来近似的精度，即通过Skellam分布。这一一般结果是通过使用Stein的方法得出的，可能具有一定的普遍意义。最后，我们讨论了我们的工作可能扩展到更高阶的子图计数（eta（G））。 引用于5文件 MSC公司： 62H22个 概率图形模型 05C90年 图论的应用 62E20型 统计学中的渐近分布理论 关键词：极限分布;网络分析;Skellam分布;斯坦因方法 PDF格式BibTeX公司 XML格式引用 \textit{P.Balachandran}等人，J.Mach。学习。第18号决议，第61号论文，33页（2017年；Zbl 1440.62226） 全文： arXiv公司 链接