Robust Reproducible Network Exploration
稳健且可复现的网络探索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。
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：摘要明确以变量关系构成网络边，并通过多重检验进行网络筛选。
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
稳健且可复现的网络探索
- 研究问题
- 面对由二元时间序列表示的高维变量关系，如何筛选网络中的相关边，同时控制错误发现并保障作者所强调的统计可复现性？
- 方法与思路
- 作者将每条边的存在性转为多重检验，专门构造 p 变量后使用 Benjamini–Hochberg 程序，并研究任意依赖下的错误发现率与渐近功效。
- 材料陈述的贡献
- 摘要称所构造程序在任意依赖、任意样本量和维度下控制 FDR，并在温和条件下具有趋于一的功效，另给出模拟与真实数据例子。
- 阅读关注点
- 应核对边所代表的统计关系、p 变量的构造及有效性条件，并区分 FDR 控制与重复样本中选择结果稳定性的关系，查看功效结论的条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断检验对象是否具有因果含义，亦不知功效条件及应用细节；所称可复现性不等于所有边均可靠。
原文摘要
We propose a novel methodology for discovering the presence of relationships realized as binary time series between variables in high dimension. To make it visually intuitive, we regard the existence of a relationship as an edge connection, and call a collection of such edges a network. Our objective is thus rephrased as uncovering the network by selecting relevant edges, referred to as the network exploration. Our methodology is based on multiple testing for the presence or absence of each edge, designed to ensure statistical reproducibility via controlling the false discovery rate (FDR). In particular, we carefully construct p-variables, and apply the Benjamini-Hochberg (BH) procedure. We show that the BH with our p-variables controls the FDR under arbitrary dependence structure with any sample size and dimension, and has asymptotic power one under mild conditions. The validity is also confirmed by simulations and a real data example.