Estimation of the complexity of a network under a Gaussian graphical model
高斯图模型下网络复杂度的估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究高斯图模型下条件依赖网络（边比例）的估计，直接涉及网络结构，故归入网络与干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高斯图模型下网络复杂度的估计
- 研究问题
- 如何估计高斯图模型中条件依赖结构的复杂度，即精度矩阵中非零元素（边）所占的比例。
- 方法与思路
- 作者将边是否存在对应精度矩阵非零元素，把比例估计转化为大规模多重检验问题；提出结合错误发现率控制下逐边检验的 p 值，与 Storey 的真实原假设比例估计量。
- 材料陈述的贡献
- 摘要称在精度矩阵的弱依赖条件下，p 值经验累积分布函数收敛到总体对应量，条件覆盖高维情形（如遗传关联研究）；并刻画 Schweder–Spjøtvoll 估计量的渐近偏差，指出其向上偏、从而略微低估真实边比例。
- 阅读关注点
- 应核对弱依赖条件的具体形式与可验证性、p 值联合分布假设、渐近偏差推导所用正则条件，以及模拟中各模型设定与真实数据适用性。
- 阅读边界
- 仅凭摘要无法判断定理证明细节、条件是否易满足、模拟覆盖范围与有限样本表现；摘要未说明真实数据应用与估计量方差。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
The proportion of edges in a Gaussian graphical model (GGM) characterizes the complexity of its conditional dependence structure. Since edge presence corresponds to a nonzero entry of the precision matrix, estimation of this proportion can be formulated as a large-scale multiple testing problem. We propose an estimator that combines p-values from simultaneous edge-wise tests, conducted under false discovery rate control, with Storey's estimator of the proportion of true null hypotheses. We establish weak dependence conditions on the precision matrix under which the empirical cumulative distribution function of the p-values converges to its population counterpart. These conditions cover high-dimensional regimes, including those arising in genetic association studies. Under such dependence, we characterize the asymptotic bias of the Schweder--Spjøtvoll estimator, showing that it is upward biased and thus slightly underestimates the true edge proportion. Simulation studies across a variety of models confirm accurate recovery of graph complexity.