Sampling for Conditional Inference on Network Data
网络数据条件推断的抽样方法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：摘要直接研究网络度序列约束下的抽样和条件推断，支持网络方向，但未涉及干扰效应识别。
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
网络数据条件推断的抽样方法
- 研究问题
- 对具有给定顶点度数的网络，如何有效抽样，以近似相关检验统计量的条件零分布，并估计满足度数约束的网络总数？
- 方法与思路
- 作者提出给定度序列网络的序贯重要性抽样方法，用加权样本近似零分布和网络计数，并分析图规模增长时算法的渐近行为。
- 材料陈述的贡献
- 摘要称，在研究的渐近设定下重要性权重保持有界，从而支持算法用于大型稀疏图；多个实例用于展示实际计算效率。
- 阅读关注点
- 应核对可接受度序列及稀疏程度的条件、权重有界结论的适用范围，以及零分布近似和网络总数估计的误差评估方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明图类型和具体渐近限制，不能将效率结论推广至任意网络。
原文摘要
Random graphs with given vertex degrees have been widely used as a model for many real-world complex networks. However, both statistical inference and analytic study of such networks present great challenges. In this article, we propose a new sequential importance sampling method for sampling networks with a given degree sequence. These samples can be used to approximate closely the null distributions of a number of test statistics involved in such networks and provide an accurate estimate of the total number of networks with given vertex degrees. We study the asymptotic behavior of the proposed algorithm and prove that the importance weight remains bounded as the size of the graph grows. This property guarantees that the proposed sampling algorithm can still work efficiently even for large sparse graphs. We apply our method to a range of examples to demonstrate its efficiency in real problems.