×
陈，李;纳撒尼尔·约瑟夫;林丽珍;周杰;埃里克·D·科拉克。

一种用于网络群体中假设测试的基于频谱的框架。 （英语） Zbl 07796622号

统计正弦。 34，编号1，87-110（2024）.
摘要：我们提出了一种新的基于光谱的网络总体假设检验方法。主要目标是开发一种测试，以确定两个给定的网络样本是否来自相同的随机模型或分布。我们的测试统计基于居中且缩放的邻接矩阵到三次方的迹，我们证明了当节点数趋于无穷大时，该邻接矩阵收敛于标准正态分布。我们还提供了测试的渐近幂保证。在描述所提出的测试统计量的理论属性时，我们探讨了网络数量和每个网络中节点数量之间的关系。我们的测试可以应用于二进制和加权网络，在一个非常通用的框架下运行，在该框架中，网络可以是大型和稀疏的，并且可以扩展到多样本测试。我们提出了一项模拟研究，证明了我们的测试优于现有方法的性能，并将我们的测试应用于三个实际数据集。

理学硕士：

62至XX 统计

关键词：

假设检验;网络人口;随机矩阵理论
PDF格式BibTeX公司 XML格式引用
\textit{L.Chen}等人，Stat.Sin。34，编号1，87-110（2024；Zbl 07796622）
全文： 内政部 arXiv公司

参考文献：

[1] Arroyo Relión，J.D.、Kessler，D.、Levina，E.和Taylor，S.F.（2019年）。网络分类及其在脑连接组学中的应用。《应用统计年鉴》第13期，1648-1677年·Zbl 1433.62314号
[2] Bai，Z.和Silverstein，J.W.（2010年）。大维随机矩阵的谱分析。纽约州施普林格；伦敦·Zbl 1301.60002号
[3] Banerjee，D.和Ma，Z.（2017年）。具有增长度的随机块模型的最优假设检验。arXiv:1705.05305。
[4] Bernstein，S.（1946）。概率论。莫斯科Gastehizdat出版社。
[5] Bhattacharya，B.B.、Das，S.和Mukherjee，S.（2020）。通过子图抽样进行主题估计：四阶矩现象。arXiv:2011.03026。
[6] Bickel，P.J.和Sarkar，P.（2016）。网络中自动社区检测的假设测试。英国皇家统计学会杂志：B辑（统计方法）78，253-273·Zbl 1411.62162号
[7] Cai，T.T.，Liu，W.和Xia，Y.（2014）。依赖性高维平均值的两个样本测试。英国皇家统计学会杂志。B系列（统计方法）76，349-372·Zbl 07555454号
[8] Chen，L.，Lin，L.和Zhou，J.（2020年）。用于功能神经成像数据的大型加权网络的假设检验。IEEE接入81815-191825。
[9] Chen，L.，Zhou，J.和Lin，L.（2021）。网络总体的假设检验。统计学中的传播——理论与方法52，3661-3684·Zbl 07706262号
[10] Chen，S.X.和Qin，Y.-L.（2010）。高维数据的双样本测试及其在基因测试中的应用。《统计年鉴》38，808-835·Zbl 1183.62095号
[11] Dong，Z.、Wang，S.和Liu，Q.（2020年）。复杂网络中社区检测的基于谱的假设检验。信息科学5121360-1371·Zbl 1457.91305号
[12] Eldridge，J.、Belkin，M.和Wang，Y.（2016）。图形、合并等等！神经信息处理系统的进展29。
[13] Ferrari，A.（2019年）。关于相关双平方变量和差的注记。arXiv:1906.09982。
[14] Gao，C.和Lafferty，J.（2017）。使用小子图统计测试全局网络结构。arXiv:1710.00862。
[15] Garrison，K.A.、Scheinost，D.、Finn，E.S.、Shen，X.和Constable，R.T.（2015）。功能性脑网络的稳定性跨阈值衡量。NeuroImage神经影像118，651-661。
[16] Ghoshdastidar，D.、Gutzeit，M.、Carpentier，A.和Luxburg，U.V.（2020年）。非均匀随机图的二样本次滞后检验。《统计年鉴》482208-2229·Zbl 1456.62108号
[17] Ghoshdastidar，D.和von Luxburg，U.（2018年）。图形双样本测试的实用方法。arXiv:1811.12752。
[18] Ginestet，C.E.、Fournel，A.P.和Simmons，A.（2014）。功能性MRI的统计网络分析：总结网络和组比较。计算神经科学前沿8。
[19] Ginestet，C.E.、Li，J.、Balachandran，P.、Rosenberg，S.和Kolaczyk，E.D.（2017年）。功能神经成像中网络数据的假设检验。应用统计年鉴11725-750·Zbl 1391.62217号
[20] Jin，J.、Ke，Z.T.和Luo，S.（2021）。签名多边形统计对网络测试的最佳适应性49，3408-3433·Zbl 1486.62168号
[21] Josephs，N.、Lin，L.、Rosenberg，S.和Kolaczyk，E.D.（2020年）。使用网络输入进行贝叶斯分类、异常检测和生存分析，并应用于微生物组。arXiv:2004.04765。
[22] Kolaczyk，E.D.、Lin，L.、Rosenberg，S.、Walters，J.和Xu，J.（2020年）。未标记网络的平均值：几何特征和渐近行为。《统计年鉴》48，514-538·Zbl 1439.62068号
[23] Layeghifard，M.、Hwang，D.M.和Guttman，D.S.（2017年）。解开微生物组中的相互作用：网络视角。《微生物学趋势》25，217-228。
[24] Lovász，L.（2012）。大型网络和图形限制。美国数学学会，普罗维登斯·Zbl 1292.05001号
[25] Mitchell，T.M.、Hutchinson，R.、Just，M.A.、Niculescu，R.S.、Pereira，F.和Wang，X.（2003）。从fMRI数据中对瞬时认知状态进行分类。AMIA年度研讨会论文集，465-469。
[26] Mitchell，T.M.、Hutchinson，R.、Niculescu，R.S.、Pereira，F.、Wang，X.、Just，M.等人（2004）。学习从大脑图像中解码认知状态。机器学习57，145-175·Zbl 1078.68715号
[27] Mukherjee，S.S.、Sarkar，P.和Lin，L.（2017年）。关于聚类网络值数据。神经信息处理系统进展，7071-7081。长滩。
[28] Ng，A.Y.、Jordan，M.I.和Weiss，Y.（2002年）。关于谱聚类：分析和算法。神经信息处理系统进展14，849-856。剑桥。
[29] Pedarsani，P.和Grossglauser，M.（2011年）。关于匿名网络的隐私。第17届ACM SIGKDD知识发现和数据挖掘国际会议论文集，1235-1243。
[30] Tang，M.、Athreya，A.、Sussman，D.L.、Lyzinski，V.和Priebe，C.E.（2017）。随机图的半参数双样本假设检验问题。计算与图形统计杂志26，344-354。
[31] Wang，X.、Hutchinson，R.和Mitchell，T.M.（2003）。训练fMRI分类器以检测多个人类受试者的认知状态。神经信息处理系统进展16，709-716。
[32] Xu，G.，Lin，L.，Wei，P.和Pan，W.（2016）。高维均值的自适应双样本检验。生物特征103、609-624·Zbl 1506.62314号
[33] 袁，M.和温，Q.（2021）。加权随机图的实用双样本检验。应用统计学杂志50495-511·Zbl 07697888号
[34] Zhang，Y.、Levina，E.和Zhu，J.（2017）。通过邻域平滑估计网络边缘概率。生物计量学104771-783·Zbl 07072327号
[35] Zhang，Y.和Xia，D.（2020）。网络时刻的Edgeworth扩展。arXiv:2004.06615。
[36] Zhao，Z.，Chen，L.和Lin，L.（2019）。动态网络中基于graphon估计的变点检测。arXiv:1908.01823年。
[37] 电子邮件：lchen@swun.edu.cnNathaniel Josephs美国北卡罗来纳州立大学统计系，罗利，NC 27695，E-mail:nathaniel.josephs@ncsu.eduLizhen Lin美国马里兰州大学数学系，College Park，MD 20742，E-mail:lizhen01@umd.edu四川大学杰州数学学院，中国成都。
[38] 电子邮件：jzhou@scu.edu.cnEric D.Kolaczyk加拿大蒙特利尔麦吉尔大学数学与统计系。电子邮件：eric.kolaczyk@mcgill.ca（2021年9月收到；2022年4月接受）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。