摘要：在广泛的科学应用中，比较两种网络数据的总体方法至关重要。许多现有的网络推理解决方案侧重于整个网络的全局测试，而没有比较各个网络链接。观测数据通常采用向量或矩阵的形式，问题是在正态或矩阵正态分布下比较两个协方差或精度矩阵。此外，在小样本情况下，这些测试往往受到有限的影响。在本研究中，我们研究了当数据以对称矩阵集合的形式存在时，网络比较的问题，包括全局推理和同时推理，每个对称矩阵都对单个主题的网络结构进行编码。此类数据在脑连接分析和临床基因组学等应用中很常见。我们没有要求底层数据遵循正态分布，而是强加了一些很容易满足多种类型网络数据的矩条件。此外，我们提出了一种功率增强程序，该程序可以控制错误发现，同时大大增强测试的功率。我们使用渐近分析和有限样本下的模拟研究来研究我们的测试程序的有效性。我们使用大脑连通性分析进一步说明了我们的方法。

关键词和短语：辅助信息、错误发现率、多次测试、网络数据、功率增强。